غلبه بر چالش کمبود داده در پایش وضعیت ابزار با هوش مصنوعی مولد و یادگیری نیمه نظارتی

پایش هوشمند وضعیت ابزار برشی علی رغم نقش حیاتی در افزایش بهره وری، با چالش اصلی صنعتی یعنی کمبود داده های برچسب دار مواجه است، که فرآیند جمع آوری آن پرهزینه، زمان بر و مخرب است. این پژوهش برای غلبه بر این محدودیت، استفاده از یک چارچوب یادگیری نیمه نظارتی (FixMatch) را معرفی می کند که از داده های مصنوعی تولید شده توسط یک شبکه مولد تخاصمی (StyleGAN-ADA) بهره می برد. نتایج نشان می دهد که در سناریوی داده بسیار محدود (۸۵ تصویر آموزشی)، این راهکار توانست با معماری EfficientNet-B۰ یک جهش عملکردی چشمگیر ایجاد کرده و دقت را از حدود ۶۴ % به ۸۰ % ارتقا دهد. این موفقیت در حالی به دست آمد که داده های مصنوعی تولیدی با وجود کیفیت قابل قبول، همچنان پتانسیل بهبود بیشتری داشتند و این امر بر استحکام چارچوب پیشنهادی تاکید می کند. با این حال، این موفقیت فراگیر نبود؛ نتایج نشان داد که سایر معماری ها به دلایل متفاوتی از جمله ظرفیت ناکافی مدل، یادگیری الگوهای نامعتبر یا عدم سازگاری با دینامیک یادگیری نیمه نظارتی در بهره برداری موثر از داده های مصنوعی شکست خوردند. این مشاهدات، یافته علمی اصلی این مقاله را آشکار می سازد.

کلیدواژه ها:

پایش وضعیت ابزار ، بینایی ماشین ، یادگیری خودنظارتی ، هوش مصنوعی مولد ، یادگیری ماشین