Salut, mon nom Steve Maxwell.
I suis un ingénieur.
I travail dans le semi-conducteur industrie.
Aujourd'hui, Je suis en allant à donner a présentation sur comment I utiliser JMP
dans le bâtiment de le image analyse pipeline.
A petit peu de arrière-plan sur le problème.
Deux de notre module groupes à notre facilité
couru dans un problème avec a fonctionnalité
où il y a était érosion sur le flanc de le fonctionnalité.
Le COMME système que nous utilisé à mesure
le taille de ce fonctionnalité n'était pas détection ce fonctionnalité,
et il n'a pas avoir le capacité à caractériser ce.
C'est un plus vieux morceau de équipement, mais c'est aussi payé pour donc nous aimé il.
Le approche que I employé à aide eux dehors
était à construire a séparé analyse pipeline à analyser images,
classer images c'est ayant endommagé ou non ,
et il produire a métrique que pourrait être envoyé au SPC système pour à des fins de suivi.
I utiliser JMP principalement à analyser données,
à construire a modèle système déploiement et fabrication,
comme Bien comme, plus récemment,
intégrer quelques de le réel image analyse dans JSL.
Je vais montrer quelques exemples de que.
Ce est a échantillon de quoi il est que étaient regarder à.
Ce est a bien image le gauche- main côté,
et ce est a mauvais image sur le côté droit.
Nous peut voir ici le comme variation et érosion.
C'est quoi nous étaient regarder pour dans ces images.
Nous pourrait voir depuis ici que le mesures,
lequel est fait sur le à l'intérieur de ce
ne serait pas vraiment réinitialiser à ces caractéristiques qui atterrit à le même place chaque temps.
Étaient pas capable à dire en utilisant simplement notre normale méthodes.
Ce est a petit peu plus détail à propos quoi nous étaient vision.
Ce est un exemple de quoi quelques de que données regardé comme
si nous pourrait voir depuis ici que cependant le processus était ayant problèmes,
nous étaient pas détection il avec le mesures que nous étaient en utilisant.
Nous avons lancé dans un approche à adresse ce problème.
I utiliser le standard ETL format pour la plupart des données science problèmes.
Extrait, transformer, charger.
I a obtenu à casser il dans quatre catégories,
configurer, collecter, analyse et rapport.
Configurer et collection, standard méthodes.
Analyse, c'est le clé à ce.
C'est comment Je suis retraitement le images
et alors extraction métrique pour ceux images que nous peut utiliser à construire a modèle
à déterminer si ou pas, nous pourrait détecter le problème à main.
Le approche pour que analyse est à convertir le images depuis RVB,
lequel est viens désactivé sur le système, le mesures système,
et convertir ceux à gris échelle.
Ensuite, le images sont tondu, retirer n'importe lequel mesures détails,
tout comme que dehors de eux.
Alors le suivant étape est à appliquer médian à ces images.
Le raison pourquoi faire que est étaient en allant à se brouiller le images
et retirer quelques de le bruit dehors de le image.
Ce est a clé étape pour image analyse et image traitement.
Le approche était utilisé comme un expérimental approche différent noyau tailles,
différent noyau formes, mais dans le fin, est réglé sur
en utilisant a disque- en forme noyau avec a pixel rayon de comme 5, 7 , 10, et 15 pixels.
Pour ceux que sont inconnu avec que terminologie,
noyau est essentiellement juste un tableau
c'est utilisé à détériorer le image quand tu es le retraiter.
Après que était fait,
extraction de le métrique depuis le retraité images était développé,
utilisé plusieurs différent standard métrique,
similitude structurelle indice, erreur quadratique moyenne, Shannon entropie,
alors a peu différent ceux comme gaussien version de SSIM,
comme Bien comme regarder à le moyens de le standard écarts de le
Image SSIM dégradés depuis le gaussien pondéré images.
Depuis là, utilisé dimensionnel réduction techniques
à extrait lequel de ceux métrique était la plupart pertinent,
à essayer et construire a modèle, un prédictif modèle
et alors convertir que dans quelques de cela métrique
que pourrait être facilement interprété sur le fabrication
alors que en cours d'exécution production.
Un de le suivis sur ce est quand faire le métrique extractions,
le référence image exploits le image que
utilisé a noyau avec a pixel rayon à cinq,
et alors le 7, 10 et 15 noyau rayon est préparé à que image.
Ce spectacles a petit peu plus détail à propos
quoi le analyse pipeline approche apparence comme.
Le hors ligne approche, nous commencer avec le image acquisition.
Évidemment, ce est fait pendant le fabrication processus.
Après que, initialement, ce travail était fait Python,
lequel était à convertir le niveaux de gris recadrer, de bruit, le images,
et alors fonctionnalité génération métrique extraction, SSIM,
signifier carré, entropie, calculs, etc.
JMP JSL a a Python emballage que toi peut utiliser pour intégration.
Qu'est-ce que super est toi peut en fait se déplacer a parcelle de ce code
dans à le JMP environnement.
Je vais aller dans a petit peu plus détail à propos quoi que est
et comment I utiliser il à aide vitesse ce processus le long de.
Le final composant de ce était à développer a qualité métrique.
Ce est très JMP intensif étape comme Bien.
Alors une fois a métrique est déterminé,
toi se déplacer que sur dans un en ligne processus
dans lequel, le fabrication données est analysé,
et puis ça information est poussé à a SPC système.
A petit peu plus à propos Python/ JSL Intégration,
le Intégré Python analyse code dans JSL en utilisant Python/ JSL emballage.
Le données transfert se produit par conversion le JMP tableau dans Pandas Données cadre.
Le données cadres sont passé dans un analyse code.
Le résultats sont retourné depuis Python à JMP comme a données tableau.
Qu'est-ce que super à propos ce est il permet en utilisant
commun image analyse bibliothèques comme skimage, scipy, PIL, OpenCV , etc,
à effectuer le travail alors que garde le données dans le Cadre JMP.
Ce, dans mon avis, était clé parce que Je suis pas mobile données
depuis un système ou un plate-forme à un autre plate-forme et dos et en avant.
I était capable à garder il tous dans un place.
Ce est a petit peu plus détail à propos
quoi le analyse pipeline est faire quand c'est retraitement le images.
Ce est quoi I était capable à se déplacer depuis juste en cours d'exécution lentement dans Python
à intégrer il dans JSL en utilisant, allons dire, Python bibliothèques.
Toi peut voir, voici a mauvais, voici a bien.
Nous tondu le image à seulement montrer
seulement prendre essentiellement ce composant de il, convertir il à gris,
et alors postuler moyen filtres à se brouiller le images avec différent noyau tailles
comme toi peut voir comme nous augmenter le noyau tailles,
ils devenir a petit peu se brouiller.
Quoi I vouloir à montrer à emporter ici est pour a bien image, toi peut voir
le noyau avec taille du disque 5 contre, 7 contre, 10 contre 15,
regarder joli similaire à un un autre .
Alors que disque 5, disque 7, disque 10, disque 15, sur a mauvais image,
toi peut voir que par temps toi obtenir à disque 15,
ce image, ou noyau taille 15,
ce image est départ à regarder similaire à ce.
Par suppression le bruit depuis ce image,
et alors débruitage le images progressivement
en utilisant différent noyau tailles.
Ème est ce qui permet nous à avec succès extrait métrique
que nous peut utiliser à différencier entre le bien contre le mauvais.
Désolé, prise sur ici. Laissez-moi aller dos en haut.
À ce indiquer, Je suis en allant à lancement démo que spectacles
comment Je suis mobile ce données dans JMP
et alors quoi il apparence comme comme il essentiellement retraitement ce truc.
Comment I faire que est le première chose I besoin à faire est I besoin à construire a données tableau.
C'est a super fonctionnalité dans JMP,
toi aller à déposer, importer multiple fichiers ici.
Alors quoi J'ai a obtenu est J'ai a obtenu essentiellement a échantillon ensemble de juste cinq images
que Je suis en allant à combiner tous les t ensemble dans un données tableau.
Quoi il fait est il en fait importer le images comme Bien comme le image déposer noms.
Toi aller ici, cliquez que déposer colonne nom, cliquez importer,
et
quoi nous obtenir,
est ce.
Nous avons a obtenu un image de notre image que nous vouloir à analyser.
Nous avons a obtenu a déposer nom étiqueter suivant à il.
Nous avons a obtenu le données image importée.
Maintenant, le suivant étape est à courir notre analyse code
contre chaque de ces images et commencer extraction métrique.
J'ai a obtenu un...
modifié version de que code ici.
Le chemin ce code travaux est
il y a a python initialisation que se produit JSL.
Et puis une fois c'est fait,
le données tableau que toi vouloir à analyser
est passé huit à Python comme a données cadre.
À que indiquer sous le Python soumettre,
essentiellement, toi convertir sur à Python code.
Et puis tu es en utilisant standard approches,
standard codage procédures pour Python
et analyser le image, comme toi peut voir ici,
nous avons notre bibliothèque importations, etc.
Comment haut ce code était, essentiellement à trouver a bouquet de fonctions.
Alors ceux fonctions volonté retour un sortir
que serait essentiellement obtenir ajouté dos dans le données cadre
que est poussé dos dehors à JMP dans le données tableau.
C'est fait par en utilisant ce fonction lambda,
ème est lambda la fonction s'applique ce c'était Caroline du Nord tion tous rangées,
ce spécifié colonne dans le données cadre ou le JMP tableau.
Quand nous courir ce...
Ce que nous sommes en allant à faire est prendre que tableau I juste construit
et étaient en allant à extrait,
mais quoi étaient en allant à faire est retraiter le images et extrait le métrique.
Quoi nous voir ici est le images que sont montrant plus tôt.
Nous avons pris notre image, nous avons converti il à gris.
Alors nous commencé apprentissage il.
Nous avons a obtenu 5 pixel rayon noyau 7, 10 et 15.
Alors depuis là, étaient extraction tous de notre différent métrique.
SS DANS LE pour 7 comparés à 5 SSIM.
SSIM est de construction similarité indice,
7 comparés à 5, 10 comparés à 5, 15 comparés à 5.
C'est essentiellement quoi étaient faire, est calculateur similitude structurelle indice
entre ce image et cette image,
cette image et cette image
et cette image et cette image.
Si nous aller dos à notre présentation,
depuis ici, I utilisé plusieurs différent approches pour interrogeant le données.
Le premier était multivarié
beaucoup de corrélations à travail avec ici.
Le rouge indique mauvais images, bleu indique bien images.
Un valeur aberrante analyse, juste regarder à le Mahalanobis distances,
Couteau de poche distances.
C'est juste à voir si ou pas étaient fortement biaisé,
toi peut voir que nous avons a obtenu plus valeurs aberrantes
dans le mauvais population comparé à le bien.
Mais je pense si toi séparé ces deux dehors,
ce vient vers le bas a petit peu.
Je suis montrant ce juste à montrer toi peut aller dans ici,
et toi peut commencer garniture quelques de ces dehors si toi vouloir à,
si tu es pas vision bien convient.
Mais pour le but de ce exercice,
I n'a pas avoir à retirer ou cacher n'importe lequel données dans le analyse.
I était capable à utiliser tous comme il est.
Mais comment I a fait que était ici.
Ce est le principal données tableau.
Ce est tous le données que I regardé à, ici tous le images.
I serait juste aller à analyser, multivarié méthodes, courir le multivarié.
Quoi nous vouloir à faire est juste aller avec que,
en fait, Désolé, dans le deuxième ici.
Quand classement,
I a fait utiliser conversion sur le classification depuis a personnage base t o tourner.
Il y a a super fonctionnalité dans ici.
Nous peut aller à colonne, utilitaire, et alors faire indicateur colonnes.
Toi peut aller ici et cliquez sur ajouter colonne nom.
Quoi il fait est a petit dire, "D'accord, que est un, zéro."
Pour ce rangée, ce est mauvais, pas bien.
Alors, vers le bas ici à aller vice inversement.
Toi peut utiliser que information
à alimentation dans quelques de le différent modélisation plateformes
que nous allons regarde ici dans a peu minutes.
Dos à le multi varié.
En allant ici, en allant à courir tous ces.
Allons-y courir ce plate-forme.
C'est intéressant.
Allons-y aller ici, mon mauvais.
W e peut voir notre corrélations.
Alors à obtenir le valeur aberrante analyse,
aller ici, cliquez,
Désolé, aller dans le multi variable et toi aller vers le bas à valeur aberrante analyse.
Toi courir Beaucoup laine Distances, toi parcourir les distances du Jackknife .
Il y a différent approche est basé sur.
J'ai avait à obtenir réussi pour ça.
Ce est premier passage.
Apparence comme nous avons a obtenu quelque chose à travail avec ici.
Le suivant étape est à casser ces vers le bas a petit peu plus
à regarder à comment chaque de le différent métrique est répondre
à différent noyau tailles.
Quoi étaient vraiment regarder pour ici est
comment obtenir...
Nous commencer à voir plus grand changements dans le noyau tailles.
Sont le lignes toujours chevauchement avec un un autre?
Étaient départ à voir séparation.
Regarder à 15 sur mauvais , contre 15 sont bons,
15 sont mauvais, 15 sont bons pour structurel similarité dans MSE
et nous peut commencer à voir que, étaient vision séparation ici.
I pense que est a bien indicateur
que nous devrait être capable à extrait quelque chose depuis ce.
Que était fait en utilisant le graphique constructeur démo.
J'ai a obtenu données tableau construit
spécifiquement pour ce
graphique constructeur, super fonctionnalité ici.
Je suis dumping dans noyau taille.
Je suis regarder le valeur le réseau,
ces dans groupes basé sur bien contre mauvais classification codes.
Alors mon image métrique est en allant à utiliser page.
Ici I juste aller créer a linéaire ajuster
que regarder à avancé pour prédiction , R².
Cela fera simplement apparaître l'équation est là.
Toi peut voir le bonté de le ajuster.
I faire comme regarder à acclamation points.
Pour ce, quand I utilisé grille centrée et se déplacer ce le long de.
C'est juste facile autour le yeux pour présentation fins.
Toi peut rouleau à travers ici,
et c'est a obtenu pour chaque de ces vraiment bon regarder graphiques à aperçu.
Basé sur le multi variable et ce linéaire ajuster,
Je suis sentiment joli bien à propos le données
que nous extrait depuis ces images.
Le suivant étape est, nous avons a obtenu a parcelle de métrique que nous avons extrait depuis ces.
Faire tout de celui-ci matière, faire quelques de il matière?
Le suivant couple diapositives, nous aller sur dimensionnel réduction.
Spécifiquement, I utilisé a PCA et Partiel B carrés pour ce PCA.
Avec ce est classification, mauvais contre bien.
Ce va dos à quoi I était démonstration plus tôt
et le données tableau.
Quand tu es bâtiment a PCA, toi vouloir à avoir, évidemment,
ton entrées et ton sorties refonte comme vecteurs dans que analyse.
Le raison pourquoi toi vouloir que est parce que
tu es regarder pour neuvième orthogonalité avec salutations à ton entrées et ton sorties.
Le plus orthogonal, ils sont à un un autre,
le moins probable ils sont jouant a rôle dans qu'est-ce que en allant sur.
Refonte
a personnage- basé classification dans a nombre fait que facile à travail avec.
Nous pourrait voir ici, nous avons a obtenu quelques ici que regarder comme ils pourrait être intéressant.
Quelques de ces sont intéressant.
I mis en évidence ces à courir ce analyse
et simplement a pris mon données tableau que I construit,
aller ici, analyser, prédictif modélisation.
Désolé, multivarié, principal composants.
Quoi étaient en allant à faire est casting bien, mauvais classification,
et tous de notre différent métrique dans le analyse.
Voir ici, ces ça a l'air intéressant.
Ces étaient particulièrement intéressant.
Qu'est-ce que bon est quand toi souligner ces,
et toi aller dos et toi regarder à ton données tableau,
ça va souligner lequel problèmes toi choisi.
Souvent PT peut obtenir vraiment occupé,
donc c'est pratique à être capable à aller références, et dire,
"D'accord, donc ces sont le ceux que Je suis en fait intéressé dans."
Allons-y obtenir dos à ici.
Après ce, dans a S'il vous plaît, ce est plus pour
ciblage comment beaucoup facteurs nous pense sont jouant a rôle
dans le données que nous avons a obtenu,
comme Bien comme portion nous identifier supplémentaire métrique
que pourrait être intéressant.
Pour ce particulier données ensemble,
il apparence comme il s'installe dans et à propos
probablement minimum de cinq facteurs que nous serait attendre
que vient depuis ce probablement plus grand que
van der Voet T² métrique basé sur le manuel de travail,
ils référencé a académique des recherches qui indiquent que
rien va à propos 0,1 est typiquement où toi vouloir à commencer à.
Depuis là, nous courir le S'il vous plaît facteur identification.
Ce est ton VIP contre Coefficient parcelles,
et depuis là, toi peut souligner le différent
métrique que sembler à être conduite ce, le ceux que sont la plupart pertinent.
Le chemin que travaux regarder à ces graphiques est toi vouloir à aller dehors à le extrêmes.
Ces sont intéressant.
Comme il obtient plus près, plus près à le zéro coefficient,
c'est moins intéressant.
Je suis pas en allant à courir le S'il vous plaît plate-forme
parce que ce volonté en fait prendre a alors que à courir.
I ne le faites pas pense n'importe qui veut à juste montre mon ordinateur courir
en faisant cela.
Basé sur notre dimension réduction,
I terminé en haut avec ces facteurs être le la plupart pertinent
avec salutations à quoi il est que nous vouloir à alimentation dans le neural réseau.
Quelques expérimentation, I trouvé que il était principalement le S'il vous plaît résultats,
et alors le standard 10 métriques depuis le PCA comme Bien
quand que était ajouté dans,
il vraiment aidé tirer le modèle ensemble.
Entraînement contre Validation.
Évidemment, Je suis en utilisant a neural réseau à construire le modèle pour le classificateur.
Le raison pourquoi Je suis en utilisant que plate-forme spécifiquement pour ce,
il a Pli K validation réservée dans sur c'est standard dans le Plateforme JMP,
lequel est super.
J'ai trouvé que KF vieux aide à compenser
quand tu es vacillant sur classe déséquilibre.
C'est a vraiment commun problème quand tu es transaction avec,
étudier fabrication processus.
Y ou're pas en allant à avoir a parcelle de le défectueux données à travail avec.
Vous avez vraiment a obtenu à faire le meilleur de quoi tu as a obtenu.
I trouver que parfois K-Folds aide avec que.
Le sortir depuis le neural réseau était joli bien, en fait.
Le chemin I faire ce est Je vais courir ce modèle, comme à propos cinq fois,
et alors Je vais comparer tous cinq de eux à un un autre.
Je vais prendre essentiellement le médian, ce classification taux,
et alors aller vers le bas ici et regarder à notre faux points positifs et FAUX négatif taux.
Avec salutations à,
le FAUX positif taux.
I regarder à le ROC Courbe.
C'est a secrète opérateur caractéristiques courbes.
Toi vouloir à regarder à ces,
ils vouloir à être décrit comme haut et serré,
le plus proche ces lignes obtenir à ce milieu doubler,
le plus proche tu reçois à le pièce de monnaie laissez-passer et votre le prédiction.
Évidemment, que est pas quoi étaient vision ici.
Alors le prédiction profileur a quelques super caractéristiques
parce que toi peut essentiellement réorganiser ces basé sur
lequel sont jouant le le plus grand rôle dans le prédiction,
comme Bien comme visualisation, comme quoi chaque individuel métrique est faire
avec salutations à jouant a rôle dans le prédiction elle-même.
Dans ce cas,
étaient regarder à transitions de le dominant dimensions ici.
Voici a petit peu bizarre.
Je suis pas bien sûr qu'est-ce que en allant sur avec ça.
A s toi obtenir dos ici, où le moins dominant dimensions,
toi peut commencer à voir ils devenir plus poussé.
Je vais courir le démo pour le neural réseau.
Nous aller ici.
Analyser.
A en fait, J'ai a obtenu ce un construit déjà.
Laissez-moi...
Nous lancement ce analyse.
Nous avons compris notre facteurs, notre réponses sont classification.
Neural réseau n'a pas soins
si tu es en utilisant a numérique ou personnage- basé réponse.
Que volonté travail avec soit un.
Ici, pour validation méthode,
tu as un K-Fold, en utilisant cinq plis.
Le or standard pour la plupart comme AI-type analyse est dix.
I trouvé ce cinq était bien
donc Non raison à pousser il.
I utiliser trois caché nœuds.
Appuyez sur Go et voici le sortir.
Comme I dit, Je vais courir ce probablement
cinq fois, prendre la valeur de lecture toi peut voir ici.
Notre classification est joli bien.
Bien voir a petit peu variation sur le validation ensemble.
Mais c'est tous dans raison pour quoi il est que Je suis regarder pour
avec salutations à le profileur et le ROC courbe.
Toi obtenir vers le bas ici, lequel ROC courbes toi peut voir ici,
comme I décrit plus tôt, ce hauteur caractéristiques sur le courbes.
Validation, peut être a petit peu moins, mais nous pouvons travail avec il.
Alors avec salutations à le profileur.
Le profileur produit apparence comme ce.
Il n'a pas organiser eux et lequel un est la plupart pertinent.
Toi aller ici
et toi aller à évaluer variable importance, indépendant uniforme entrées.
Aller dos en haut ici, nous peut voir a résumé rapport.
Ici, toi aller vers le bas à variable importance, menu.
Depuis ici, toi peut réorganiser facteurs par principal importance de l'effet.
Pour ce modèle, il réorganisé ce chemin,
Colorier.
Toi peut voir ici nous avons a obtenu le plus sombre couleur est le plus pertinent
et alors il se déplace à le droite.
Voyons.
Conversion le modèle à un SPC métrique, à faire le données Plus facile à interpréter,
nous besoin à prendre le résultat depuis le modèle converti dans métrique
qui peut être publié à SPC système et tracé sur SPC graphique.
Le activation composant de le neural réseau modèle est a doux carte fonction
c'est a standard dans JMP.
Ce calcule le probabilité de un image être bien ou mauvais,
avec le plus haut le deux résultant et avec le images classifié comme
et quoi étaient en allant à faire ici est en allant à introduire a troisième métrique inconnu.
Je vais montrer a petit peu à propos comment que est fait.
Un de le bon des choses à propos le neural réseau plate-forme
est le SAS DONNÉES Étape sortir déposer est en fait comme a Pythonique modèle scénario.
Typiquement pour le système métrique, toi vouloir ce dans python,
ça va être vraiment cool,
oublié comment à faire il tous dans JMP.
Ce code depuis le neural réseau ici,
le réel modèle lui-même peut être produit dans ce format.
Toi juste aller à modèle et faire SAS DONNÉES S étape.
Ici nous aller.
I pense dans JMP Pro, toi pourrait juste sortir il par python directement,
mais pas tout le monde a accéder à JMP Pro.
Il obtient soit 80 % de le chemin là,
pas 100 %.
Il juste nécessite a peu modifications dans le réel code.
Sur le gauche main côté, nous avons a obtenu le SAS DATA S étape format.
Sur le côté droit, c'est le conversion de il à le python.
C'est juste importation il comme importation le mathématiques bibliothèque,
et alors postuler que donc nous peut prendre le tangente à des choses.
Alors toi obtenir que ici.
Quoi nous vouloir à faire est seuil,
notre S souvent hache probabilité calcul étaient faire ce,
plutôt que juste adage, quel que soit de ces,
est le plus élevé est ton réel résultats.
Si c'est 0,5 1, mauvais, 0,49 , bien, alors ça va être mauvais.
Est nous aller et nous dire, "D'accord, si le Softmax sortir est plus grand que 0,75
alors c'est que classificateur, parce que ça va être égal et opposé."
Ça va être acceptable un.
Si c'est 0,75 mauvais alors c'est mauvais,
mais si c'est a nombre moins que que, il ne le fera pas classer il comme bien ou mauvais.
Ça va juste classifié comme inconnu.
Bien passer que dans notre système.
Quoi que raconte nous à faire est quelqu'un regarder à ceux images,
parce que le classificateur ne peut pas décider si ou pas c'est bien ou mauvais.
Le sortir, et ce est le fini produit,
est à convertir, comme I dit,
la finale métrique dans quelque chose que pourrait être signalé dans notre SPC système.
Essentiellement, quoi étaient faire ici est juste en fait rapports
quoi notre Softm hache probabilité est,
prise le inverse de que, et alors postuler le seuil
à déterminer si ou pas des choses sont connu ou inconnu.
Basé sur que, ce est notre initial données
que J'ai a montré à le début de le présentation
que spectacles ce est le graphique regarder comme pour le mesures de le défaut.
Alors ce est quoi nous obtenir quand nous aller dans
et nous réanalyser que données et appliquer ce nouveau métrique,
lequel raconte nous si ou pas il pense que il y a côté mur fonctionnalité,
toi peut voir regarder à le même données ensemble
que Oui, il très beaucoup donc identifie que comme soit bien ou mauvais.
Le vert indique c'est a bien.
Le rouge indique ceux étaient classifié comme mauvais.
Alors toi peut voir ici sur Données SPC,
ils serait immédiatement obtenir signalé comme mauvais comme Bien.
Ces bleu ceux suspendu dehors ici
sont les ceux que sont inconnu que il est révélateur nous donc beaucoup,
"Aller regarder à ce."
Que est mon présentation.
J'ai publié le information à le utilisateur communauté site
si n'importe qui veut accéder à le code
c'est utilisé pour le image analyse que est là.
Remercier toi très beaucoup.
