Boost productivity, protect privacy, and cut costs by running AI locally.
Continue reading “How to Use Local LLM Models in Daily Work”
EmbeddingモデルとLLMを組み合わせて、より賢いAIアプリを作る方法
最近では 大規模言語モデル（LLM）、たとえば GPT-4、Llama-3、Qwen2.5 などが大きな注目を集めています。
しかし、LLMをあなた独自のデータで効果的に活用するには、もう一つのモデル — Embeddingモデル — が必要です。
วิธีใช้โมเดล Embedding ร่วมกับ LLM เพื่อสร้างแอป AI ที่ชาญฉลาดยิ่งขึ้น
ทุกวันนี้ โมเดลภาษาแบบขนาดใหญ่ (LLMs) เช่น GPT-4, Llama-3 หรือ Qwen2.5 เป็นที่พูดถึงอย่างมาก
แต่ถ้าคุณต้องการให้ LLM ทำงานกับข้อมูลของคุณได้จริง คุณจะต้องใช้โมเดลอีกชนิดหนึ่งควบคู่กันไป นั่นคือ โมเดล Embedding
Continue reading “วิธีใช้โมเดล Embedding ร่วมกับ LLM เพื่อสร้างแอป AI ที่ชาญฉลาดยิ่งขึ้น”
How to Use Embedding Models with LLMs for Smarter AI Applications
In today’s AI landscape, Large Language Models (LLMs) like GPT-4, Llama-3, or Qwen2.5 grab all the headlines — but if you want them to work with your data, you need another type of model alongside them: embedding models.
Continue reading “How to Use Embedding Models with LLMs for Smarter AI Applications”
連続素材欠陥検出用スマートビジョンシステム
漁網、繊維などに対応するスケーラブル検査ソリューション
ระบบกล้องอัจฉริยะสำหรับตรวจหาข้อบกพร่องของวัสดุต่อเนื่อง
โซลูชันตรวจสอบแบบขยายขนาดได้ สำหรับอวนประมง สิ่งทอ และอื่นๆ
Continue reading “ระบบกล้องอัจฉริยะสำหรับตรวจหาข้อบกพร่องของวัสดุต่อเนื่อง”
Smart Vision System for Continuous Material Defect Detection
Scalable Inspection Solution for Fishing Nets, Textiles, and More
Continue reading “Smart Vision System for Continuous Material Defect Detection”
ラインスキャン + AI で作るリアルタイム欠陥検出システム（汎用設計ガイド）
TL;DR（要点まとめ）
- フィルム、紙、織物、ワイヤー、チューブ、金属板などの連続移動物に最適
- 設計初期に決めるべき：視野 (FOV)、最小検出サイズ、搬送速度、作業距離 (WD)
- レンズの焦点距離で視野を決定。小さな欠陥には3〜5ピクセル以上必要
- エンコーダでラインスキャンの縦軸スケールを安定化＝正確な寸法計測とAI認識が可能
- 一般的なフロー：カメラ → タイル化 → 前処理 → 欠陥検出（CVまたはML） → UI/出力/記録
- **絞り（f値）**は f/5.6 からスタート（照明次第で調整）
สร้างระบบตรวจจับความเสียหายแบบเรียลไทม์ด้วยกล้อง Line-Scan + AI (แนวทางนำไปใช้ได้หลายอุตสาหกรรม)
TL;DR
- เหมาะกับการตรวจจับสิ่งที่เคลื่อนที่ เช่น ฟิล์ม กระดาษ สิ่งทอ ลวด ท่อ แผ่นเหล็ก ฯลฯ
- เริ่มจากกำหนด: ระยะการมองเห็น (FOV), ขนาดตำหนิที่เล็กที่สุด, ความเร็วของสายพาน, ระยะทำงาน (WD)
- เลือกเลนส์ให้ระยะทำงานและมุมมองครอบคลุมชิ้นงาน
- ใช้ Encoder เพื่อล็อคอัตราส่วนพิกเซลให้เที่ยงตรง
- Pipeline: กล้อง → ดึงภาพ → แบ่ง Tile → ปรับแต่ง → ตรวจจับ (CV/ML) → แจ้งเตือน/แสดงผล/เก็บข้อมูล
- เริ่มที่ f-number ≈ f/5.6 เพื่อบาลานซ์ความลึกของภาพและความสว่าง
Building a Real-Time Defect Detector with Line-Scan + ML (Reusable Playbook)
TL;DR
- Use line-scan for moving/continuous stuff: film, foil, paper, textiles, wire, pipes, board edges, etc.
- Decide early: field of view (FOV), smallest defect, speed, working distance (WD).
- Lens: pick focal length so FOV at your WD matches product width; keep ≥3–5 px on the smallest defect.
- Encoder on the motion path → square pixels and mm-accurate measurements.
- Pipeline: camera → acquire → tile → preprocess → CV/ML → PLC/UI/logs. Start around f/5.6 (or f/8 if you need more depth of field).
Continue reading “Building a Real-Time Defect Detector with Line-Scan + ML (Reusable Playbook)”