Category: Blogs

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.

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

โซลูชันตรวจสอบแบบขยายขนาดได้ สำหรับอวนประมง สิ่งทอ และอื่นๆ

Scalable Inspection Solution for Fishing Nets, Textiles, and More

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）

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

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 […]

ソースコードを読むことは、開発者にとって最強のスキルです。 OSS へのコントリビュート、バグ修正、あるいは仕組みを深く知りたい場合でも、大規模なコードベースを理解できる能力は不可欠です。

การอ่านซอร์สโค้ดคือสุดยอดทักษะของนักพัฒนา ไม่ว่าคุณจะต้องการ contribute โอเพนซอร์ส แก้บั๊ก หรือแค่อยากรู้ว่าระบบที่คุณใช้ทำงานอย่างไร “การอ่านและเข้าใจโค้ดขนาดใหญ่” คือทักษะสำคัญ

Reading source code is a superpower for any developer. Whether you want to contribute to open-source, debug an issue, or just satisfy your curiosity about how your favorite tools work under the hood, being able to navigate and understand a large codebase is essential.