Détection automatique de défauts sur pièces moulées en aluminium
Aperçu
En quoi consiste ce défi.
Construisez un CNN classant des pièces moulées en aluminium, avec un rappel ≥90% sur les défauts. Obtenez un certificat vérifiable.
Le brief
Ce que vous ferez, et ce que vous démontrerez.
La ligne de fonderie laisse passer un nombre non négligeable de pièces défectueuses car l'inspection visuelle humaine est lente, coûteuse et sujette à la fatigue en fin de poste.
Earning criteria — what you'll demonstrate
- Concevoir et entraîner un réseau de neurones convolutif pour une tâche de classification d'images
- Appliquer des techniques de régularisation et d'augmentation de données pour limiter le surapprentissage
- Choisir des métriques d'évaluation adaptées à un problème de classes déséquilibrées
- Relier les choix d'optimisation (taux d'apprentissage, momentum) aux courbes de perte observées
Adéquation au programme
Où cela s'inscrit dans votre cursus.
Renforce les mêmes compétences que celles attendues par votre diplôme.
Cursus associés bientôt disponibles.
Compétences
Les compétences que vous démontrerez.
Chacune apparaît sur votre certificat vérifié.
Débouchés
Les métiers auxquels ce défi vous prépare.
De vrais intitulés. De vraies passerelles de compétences. Choisissez celui qui se rapproche le plus de votre trajectoire.
Les parcours de carrière que ce défi construit
Métiers de référenceIngénieur Machine Learning
Ce défi entraîne directement les compétences d'entraînement, de validation et de déploiement de modèles de vision par ordinateur attendues d'un ingénieur machine learning en environnement industriel.
Ce défi renforce
- neural-networks
- pytorch-or-tensorflow
- data-augmentation
Ingénieur Qualité
La construction d'un système de détection de défauts et la définition de seuils de rappel/précision reproduisent le travail d'un ingénieur qualité qui doit arbitrer entre risque de défaut manqué et coût des faux rejets.
Ce défi renforce
- data-augmentation
- feedforward-networks
- neural-networks
Ingénieur Logiciel Embarqué
Réfléchir aux contraintes de temps réel et de cadence pour un déploiement sur ligne de production prépare aux compromis performance/latence propres aux systèmes embarqués industriels.
Ce défi renforce
- pytorch-or-tensorflow
- neural-networks
- feedforward-networks