Saya melatih jaringan convolutional untuk mengklasifikasikan gambar komponen mekanis sebagai baik atau cacat. Meskipun akurasi pengujiannya tinggi, saya menyadari bahwa model tersebut memiliki kinerja yang buruk pada gambar yang memiliki pencahayaan yang sedikit berbeda.
Fitur yang saya coba deteksi sangat halus, dan pencahayaan tampaknya membuat model tersebut memanggil banyak negatif palsu. Sebagian besar, jika tidak semua, data pelatihan dan tes berasal dari gambar yang diambil di bawah pencahayaan yang tersebar. Gambar baru yang saya coba modelnya dipotret dengan lampu fokus.
Berharap bahwa pemerataan histogram ( CLAHE ) akan membantu, saya melakukan pemerataan pada gambar sebelum memasukkannya ke model, melakukan ini untuk pelatihan serta data uji. Masalahnya kemudian adalah keakuratan yang tinggi, tetapi model itu tampaknya telah mempelajari beberapa korelasi lain antara gambar dan label. Setelah penyamaan, semua yang ada di gambar menonjol, cacat menjadi lebih halus dan sulit dideteksi bahkan untuk mata manusia.
Prediksi model berubah bahkan ketika komponen yang sama diambil dengan pencahayaan yang sama tetapi dengan cahaya pada orientasi yang berbeda. Jadi pertanyaan saya adalah, apa yang bisa saya lakukan, baik di ujung data atau dengan model, sehingga menjadi kuat untuk perubahan pencahayaan (atau jenis pencahayaan yang sama tetapi perubahan orientasi pencahayaan)?