สถาปัตยกรรม Edge แบบ High-Throughput

1from dataclasses import dataclass
2import numpy as np
3
4
5@dataclass
6class Inspection:
7    status: str               # "pass" | "defect"
8    stage: str                # stage ที่ตัดสิน
9    defect_area_px: float | None = None
10
11
12class CascadePipeline:
13    """Stage 1: classifier เบา คัดกรอง. Stage 2: segmentation เฉพาะที่น่าสงสัย."""
14
15    def __init__(self, classifier, segmenter, suspect_threshold: float = 0.15):
16        self.classifier = classifier      # คืน P(defect)
17        self.segmenter = segmenter        # คืน boolean mask
18        self.suspect_threshold = suspect_threshold
19
20    def inspect(self, image_rgb: np.ndarray) -> Inspection:
21        p_defect = float(self.classifier.predict_proba(image_rgb))
22
23        # ตั้ง recall สูง: ของน่าสงสัยแม้เล็กน้อยก็ส่งไปตรวจซ้ำ
24        if p_defect < self.suspect_threshold:
25            return Inspection(status="pass", stage="classifier")
26
27        # Stage 2 (แพง) รันเฉพาะส่วนน้อยที่ผ่านมาถึง
28        mask = self.segmenter.segment(image_rgb)
29        area = float(mask.sum())
30        status = "defect" if area > 0 else "pass"
31        return Inspection(status=status, stage="segmenter", defect_area_px=area)

1import torch
2import torch.nn as nn
3
4
5class LateFusionInspector(nn.Module):
6    """รวม visual feature กับ feature เชิงกายภาพ (น้ำหนัก/ความหนาแน่น/ความบริสุทธิ์)."""
7
8    def __init__(self, visual_dim: int = 256, scalar_dim: int = 4, hidden: int = 128):
9        super().__init__()
10        # เส้นทางของแต่ละ modality แยกกัน (ข้อดีของ late fusion)
11        self.visual_head = nn.Sequential(
12            nn.Linear(visual_dim, hidden), nn.ReLU(), nn.Dropout(0.2),
13        )
14        self.scalar_head = nn.Sequential(
15            nn.Linear(scalar_dim, hidden), nn.ReLU(),
16        )
17        self.classifier = nn.Sequential(
18            nn.Linear(hidden * 2, hidden), nn.ReLU(),
19            nn.Linear(hidden, 1),
20        )
21
22    def forward(
23        self,
24        visual_feat: torch.Tensor,   # (B, visual_dim) จาก CNN backbone
25        scalars: torch.Tensor,       # (B, scalar_dim)
26    ) -> torch.Tensor:
27        v = self.visual_head(visual_feat)
28        s = self.scalar_head(scalars)
29        fused = torch.cat([v, s], dim=1)
30        return self.classifier(fused)  # logit ของ P(defect)
31
32
33def physical_features(weight_g: float, volume_mm3: float,
34                      purity_pct: float, ref_density: float) -> torch.Tensor:
35    """สร้าง feature เชิงกายภาพ ความหนาแน่นโดยนัยเทียบค่ามาตรฐานของโลหะ."""
36    density = weight_g / max(volume_mm3 / 1000.0, 1e-6)  # g/cm^3
37    density_dev = (density - ref_density) / ref_density   # ส่วนเบี่ยง
38    return torch.tensor([weight_g, density, density_dev, purity_pct],
39                        dtype=torch.float32)