Bildeanalyse for å bedømme kassettslitasje?

Å måle kjedestrekk er enkelt. Å bedømme slitasje på kassett og drev er ikke like enkelt. Nye tannprofiler gjør det ikke enklere. Og to personer vil ofte ha ulik oppfattning.
Spørsmålet er om det vil være mulig / hensiktsmessig å gjøre dette med bildeanalyse. Ta bilde, evt holde mobilkamera mot kassetten, og du vil få svar på slitasjegraden.
Den ideelle løsniing er en app hvor du velger type kassett / drev og så holder du kamera mot den og følger evt instruksjoner om å bevege kamera.

Hva tror forumet? Er dette nyttig, praktisk mulig, eller kun en komplisert løsning på et marginal problem?

Dette burde finnes!

Spørsmålet er vel om det er noe market til å gjøre det fullført å ikke halvhjerta for 2 kassetter på en platform for andre enn spesielt interesserte.
Vil tro 3D-scanning kunne vært en del av en løsning?
Ser en på den store majoriteten i dag med eMTB så er det ikke mye interesse for å holde ting vedlike utover å kjøre stock-olja kjede til det totalhavarerer i komplett bytte av drivverk.. Tviler på at vi ser den gjengen som aldri har hørt om såpe og vann skru av bakhjulet for å fotografere kassett..

Husk at bildeanalyse (ML/AI) enkelt sagt er en form for statistisk analyse, dvs jo større forskjell der er på A og B og enklere er det å skille dem for algoritmen. Som en haug med pixler, ser en uslitt og slitt kassett ganske like ut. Mulig man kan forbedre det litt om man får brukeren til å ta av hjulet/kassetten og aligne de opp mot en mal på skjermen eller noe slik man iaf får samme vinkel.

Men om du har mulig plan på løsning så kjør på, om ikke ennet et gøyalt fritidsprosjekt. Så får du se om det kan bli et nyttig produkt når du faktisk har noe som kan løse problemet, før det er der liten vits å tenke produkt.

Høres kult ut. Vi kan henvise 90% av "kjedet-glipper" spørsmålene til den appen

LarsB

Nyttig? Ja
Praktisk mulig? Ja, men ikke gjort over natta for å si det sånn.
En komplisert løsning på et marginal problem? Helt klart

I så fall bør du nok mate inn modellnummeret på kassetten og ha endel bilder å ta av for å sammenlikne. Men det virker som et morsomt prosjekt

Hvordan gjør folk det nå? Eksisterer det noe gode metoder til å vurdere? Bildeanalysen får man nok til om man vil, men hvordan analysere resultatet?

Jeg tror nesten ikke det vil være mulig og oppdrive et stort nok datasett som dekker vinkler-, kasetttype- og slitasjevariasjoner. Tror man måtte krevd at man koblet av hjulet fra sykkelen, da trenger man ikke kameravinkler som endel av datasettet. Men selv da vil det være et enormt datasett som måtte samles.

Som studentprosjekt: Kjør på! Klarer du å lage dette, er det nok av andre prosjekter der erfaringen er overførbar.
Som prosjekt "kan jeg tjene penger på dette"? Da er jeg noe mer skeptisk til om folk faktisk kjøper en sånn app.

Hvis du har bilder av kassett som ny i flere vinkler, kan dette brukes til å lage en 3d-modell. Appen må jo da gjøre det samme på ett eller annet vis. Med dagens telefoner og nettbrett, er det jo ganske godt med cpu- og gpu-kraft, så det burde være gjennomførbart. Hvis ikke, setter man opp en skytjeneste med endel CPU/GPU i bakkant. Det trenger uansett ikke være pinlig nøyaktige modeller som dem som brukes til reproduksjon på 3d-skriver eller tilsvarende, men bare noe for å sammenlikne kassett med en gitt type.

Og som Gråstein skriver over, er det nok vanskelig å få tjent stort på dette, men definitivt morsomt som et studieprosjekt

Man trenger vel bare 2D av kassetten fra siden?

Som start kan man ta bilde av tannhjul fra siden med kontrastbakgrunn, da har raskt profilen.

Ellers skulle det vel på alle kjeder med standard dimensjoner, altså nesten alle kjeder, være noen vinkler og avstander som forteller når det blir problemer?

Just presis, dersom jeg var arbeidsgiver innen feltet ML/AI++ ville jeg hoppet raskt på om man som sylfersk arbeidstaker kunne vise til at man hadde laget en slik løsning, om enn bare som et rent demonstrasjonsprosjekt med en halvfungerende prototype app. Men å ta betalt for denne? Tvilsomt. Monetized med reklame, kanskje.

Folk kjøper villig kjedemåler, noe de lett kunne gjort med en tommestokk. For slitasjen sin del er det vel nyttigere å måle kjedet enn tannhjul, men en viss betalingsvilje er det nok.

Kunne måle kjedet også med appen?

Sjøl om du bytter kjedet etter at det er strekt, så trenger du ikke å bytte kassetten med én gang, så å ha en grei måte å måle slitasje på kassetten, gir jo mening.

Studenten må bare oppdrive et datasett med noen tusen bilder av slitte og uslitte kasetter først ..

Det vil vel gjelde uansett om man er student eller ikke? Selvsagt, får man en investor som vil betale en million eller to så er det kanskje mulig å betale for bilder, men likevel. Det er selvsagt en del av utfordringen.

Ser vi igjen på målgruppen, altså "lett å bruke for å få et svar", så er det kanskje uansett ikke de som tar av kassetten og legge dem ut bit for bit? Jeg ser for meg at utfordringen tekniske sett er MYE større dersom man skal kunne klare å si noe om en kassett bare basert på bilde tatt mens hjulet står på sykkelen. Litt enklere når hjulet er tatt av sykkel, men kassetten fortsatt er montert.

Men om utfordringen er større, er altså gevinsten også større.

Når det kommer til å samle data, så er det kanskje en liten test på hvor stor interesse det er for den ferdige appen? Hvis du er i en situasjon der du ville ha brukt appen, ville du vært villig til å laste opp bildet uten å få svar? Altså bidra til datasettet uten å få noe tilbake.

På en måte minner sistnevnte litt om en gammel måte å sjekke markedet for et produkt: Lag nettsiden. Lag bestillingssiden. Når kunden har lagt produktet i varekurven og klikker for å betale, da forteller du at det fortatt er under prototyping, og spør om kunden vil varsles når det er klart til å leveres.

Hvis ingen klikker seg så langt, ville det da gjort noe forskjell på om du allerede hadde laget produktet ferdig?

Oversatt til dette caset: Thomas- kan lage en app som sier den gjør det som skisseres.

Når brukeren har lastet ned appen og skal ta bilde, slenger man opp en melding om at datasettet trenger forbedring, og at for tiden prioriteres det å arbeide med kvaliteten på rådene. Siden kvalitet er det viktigste, vil vi dessverre ikke si noe om din kassett, men vil du laste opp bilde for å hjelpe oss å forbedre datasettet til senere bruk? Som takk vil du få en promo-kode som kan brukes hvis vi på sikt lanserer en pro-utgave.

Eller noe sånt :-)

En annen kul oppside med et sånt prosjekt, vil jo være at om det blir virkelig bra, kanskje Shimano e.l. trenger produkteksperter som kan litt om hvordan kassetter slites?

Ikke nødvendigvis. Det holder med bilder av nye kassetter og så se på variasjoner på slitte.

Det finnes jo allerede et fysisk verktøy for dette - Jeg har det til og med hjemme i skuffen:

Rohloff HG check


Bør kombineres med Rohloff Chain checker og Rohloff Revolver kjedekutter.

Unior og Bikeshop har også kassett-måler: [img]https://bikeshop.no/thumbnails/unior/619717.480.jpeg[/jpg]

Hvordan skal programmet vite hvordan en slitt kassett ser ut når du kun har vist den nye kassetter? Da vil den jo trigge på alt som ikke er helt nytt.

Maskinlæring og bildegjenkjenning er ikke magi, du må ha et datasett som er godt nok til å lære programmet hva det skal se etter. "Ikke ny" er ikke det samme som slitt, så du trenger noe som forteller den hvordan slitt ser ut.

Dette overlater jeg til studenten(e)
Det virker uansett overkommelig

Er ikke sikker på at det er så overkommelig i det hele tatt, selv om man på magisk vis klarer å oppdrive et enormt datasett med det man trenger. Alle tror jo at maskinlæring er så forbanna smart, men realiteten er at den trenger veldig tydelige forskjeller for å kunne bli treffsikker. Forskjellen på en slitt og brukbar kassett er fortsvinnende lite i det store bildet. Vi holdt på med et program som skulle lese av en oljemåler, altså en rund sirkel med sterk kontrast mellom væske og bakgrunn. Selv der støtte vi på problemer når nivået ble for høyt eller lavt, for programmet klarte ikke skille mellom helt full og helt tom siden den ikke kunne se nivålinjen lenger. Og her skal programmet plukke ut små forskjeller i slitasje på tennene til en kassett dekket i olje og smuss? Om man får til noe i det hele tatt kommer det nok ikke til å funke veldig bra, og det vil garantert ikke være verdt det.

Man har jo selvsagt mulighet til å sjekke om programmet har klart å identifisere profilen på kasetten.
Men hvorfor trenger man et enormt datasett? Maskiningeniører må jo kunne definere hva som skal til for at tennene slipper. 99% av alle kjeder produsert for sykkel er jo like, og samme fysikken skal til for å holde på kjedet.

En ingeniør vet når det slipper, men hvordan skal programmet vite når det slipper? Det er det du trenger datasettet til. Du skal lære en stein å tenke som et menneske, da må du gi den mye informasjon.

Å lære steinene å tenke som mennesker er det nye hippe, er med på den. Men ingeniører har lenge før dette ble hipt lært steinene å tenke på ikke menneskelige måter. Sikkert vanskelig å få til dette også, men det er altså en mulighet å simulere kjede på tannhjul.

Jeg tror det vanskeligste blir vinkler og skygger i bildene. Og når er egentlig en kassett slitt? Pragmatisk er det fristende å kjøre analyser på den største skiven bak. Men er det den som slites først? Det er sikkert to faktorer som spiller inn: Hvor lenge sykler man på hvert tannhjul, og hvor stor er forskjellen på slitasjen. Det virker logisk for meg at det minste slites fortere gitt like mange bruksminutter?

Hadde det vært mulig å legge et brukt og et ubrukt drev på hvitt papir før fotografering, burde det være mulig å analysere avvik i fasong. Nøyaktig hvilke avvik som er OK tenker jeg det er mer logisk å programmere inn enn å la maskinlæring ta seg av. Rett og slett fordi maskinlæring må vite hva som er bra og hva som ikke er bra. Hvis vi først klarer å forklare systemet det, kan vi kode det inn også.

Men hvordan skal programmet klare å konvertere fra et bilde til en profil?

App og kjedepisk-lignende måleverktøy er vel mye mer knot enn den klassiske tommelfingerregelen:

Glipper kjedet på kassett [eller drev] etter at du har byttet kjede? Bytt kassett [eller drev].

For app blir vel det neste ankepunktet at man må vaske kassett/drev før man tar bilde. Hvis dette er steg #1 får appen 0 brukere.

Den siste setningen der skjønner jeg ikke helt. Hva vi kan få til med maskinlæring har absolutt ingenting å gjøre med hva vi kan få til ved tradisjonell programmering. Det er jo hele poenget.

Bildegjenkjenning uten ML er jo mulig, men de fleste eksempler jeg har sett skiller relativt ulike former og farger fra hverandre. Å skulle skille en litt slitt tann fra en veldig slitt tann basert på et bilde? Det er nok mye vanskeligere enn du tror.

For å få til maskinlæring, trenger maskinen nødvendigvis å kunne evaluere utfall.

Et av de mye omtalte prosjektene de siste årene er jo AlphaZero som til en viss grad har fått selv verdens beste sjakkspillere til å tenke litt nytt om hvordan man skal forstå sjakkstillinger. Den (litt kommersielle) forklaringen på hvordan AlphaZero ble så god var at den spilte mot seg selv ufattelig mange ganger, og etter hvert lærte hvilke trekk som kjennetegnet stillinger som senere ble vunnet. Nå er vi godt inne i sjakkverden, men en av de tingene AlphaZero tydeligvis fant ut var at det å få kantbøndene litt opp på brettet var fordelaktig. Ingen mennesker hadde tidligere hatt dette som en bevisst strategi for langsiktige fordeler, men med AlphaZero har spillere som Magnus Carlsen blitt mer bevisste på dette.

Men den eneste grunnen til at AlphaZero kom opp med denne planen, var selvsagt at i slutten av hvert eneste sjakkparti kunne den evaluere hvem som vant og hvem som tapte.

Skal vi oversette dette tilbake til kassettene, så handler det om hvorvidt maskinen har tilgang på om en kassett er god eller dårlig. Selvfølgelig, har man et datasett med gode og dårlige kassetter så er det et utgangspunkt. Men jeg tror at der AlphaZero selv kunne avgjøre om et sjakkparti ble vunnet eller tapt, trenger en kassett-tolker mennesker til å si om kassetten i datagrunnlaget (som skal brukes til maskinlæring) er god eller dårlig.

Da blir spørsmålet: Er det mest effektivt med et maskinlæringsapproach der programmet ser etter likheter mellom de som er i det gode settet og de som er i det dårlige settet, eller er det mer effektivt å lage mer låste algoritmer for å tolke en kassett.

Jeg heller kanskje mot det siste. For det er jo en annen faktor her også, og det er grad av "god". En kassett vil jo gå fra å være ny til å ha x tusen km igjen til x hundre km igjen til å burde byttes til å være litt på overtid osv. Om man klarer å måle avvik fra orginalform vil man kanskje kunne si noe om hvor i livsløpet den er?

Men jeg er helt enig med deg i at dette høres veldig vanskelig ut i praksis :-)