Anomalieerkennungswerkzeug (Crops-Datensatz)

Dieses Workflow zielt darauf ab, Anomalien in einem Crop-Datensatz zu erkennen.

Anomalieerkennungswerkzeug (Crops-Datensatz)

Die Website nutzt die Wordpress-Infrastruktur.

Server: Unser Server befindet sich in einem Unternehmen mit Sitz in Deutschland. Er hat eine hohe und schnelle Internetverbindung. Es gibt eine Generatorunterstützung für ununterbrochenen Strom.

Workflow: Anomalieerkennungswerkzeug (Crops-Datensatz)

In diesem Workflow nutzen wir eine Vielzahl von Nodes zur Erkennung von Anomalien in einem Datensatz von Pflanzenbildern. Die Schritte im Detail:

1. Execute Workflow Trigger

Typ: Execute Workflow Trigger
Funktion: Diese Node wird verwendet, um den Workflow zu starten, wenn eine bestimmte Bedingung erfüllt ist. In diesem Fall wird eine Bild-URL übergeben, die analysiert werden soll.

2. Image URL hardcode

Typ: Set
Funktion: Diese Node speichert die eingehende Bild-URL in einer Variable, die später im Workflow verwendet wird. Die URL wird aus der Query des vorhergehenden Schrittes extrahiert.

3. Variables for medoids

Typ: Set
Funktion: Diese Node definiert wichtige Variablen, die zur Abfrage von Qdrant verwendet werden. Dazu gehören die URL der Qdrant-Instanz sowie Kriterien zur Identifizierung der Cluster.

4. Total Points in Collection

Typ: HTTP Request
Funktion: Diese Node fragt die Gesamtanzahl der Punkte in der definierten Qdrant-Sammlung ab. Dies ist wichtig, um die Gesamtzahl der verfügbaren Crop-Klassen zu bestimmen.

5. Each Crop Counts

Typ: HTTP Request
Funktion: Diese Node zählt die einzelnen Crop-Klassen in der Qdrant-Sammlung. Die Anzahl wird für spätere Vergleiche verwendet.

6. Embed image

Typ: HTTP Request
Funktion: Diese Node nutzt die Voyage AI API, um Einbettungen des eingegebenen Bildes zu generieren. Diese Einbettungen sind notwendig, um die Ähnlichkeit mit den vorhandenen Crop-Bildern zu vergleichen.

7. Get similarity of medoids

Typ: HTTP Request
Funktion: Diese Node verwendet die Einbettungen, um die Ähnlichkeit des aktuellen Bildes mit den Medoid-Punkten (Clusterzentren) in der Qdrant-Sammlung zu bestimmen. Dies hilft, festzustellen, ob das Bild zu einer der definierten Klassen gehört.

8. Compare scores

Typ: Code
Funktion: In dieser Node wird die Punktzahl überprüft, die von der vorherigen Node zurückgegeben wurde. Wenn das Bild die Schwellenwerte nicht erreicht, wird es als Anomalie klassifiziert.

9. Sticky Notes zur Dokumentation

Typ: Sticky Note
Funktion: Mehrere Sticky Notes sind im Workflow enthalten, um zusätzliche Informationen zur Funktionsweise des Workflows zu geben und die Bedeutung der einzelnen Schritte zu erläutern.

Ergebnis

Nach der Ausführung des Workflows wird eine Nachricht zurückgegeben, die angibt, ob das Bild als Anomalie identifiziert wurde oder ob es einer bekannten Crop-Klasse ähnelt.

Facebook
Twitter
LinkedIn

Andere Projekte