Bir ekip, aşınmış alanları (fotoğraf başına birden fazla alan mümkün) bulmak için drone fotoğraflarının denetimini otomatikleştirmelidir. Aşınma, fotoğrafların yalnızca yaklaşık %0,1'inde görünür. Mühendisler, her aşınmış alanı acil onarım, planlı bakım veya eylem yok olarak kategorize eder. Ekip, bu çözümü oluşturmak için hangi adımları atmalıdır? (Üçünü seçin.)

Aşınmış bölgeleri bulmak için bir nesne algılama modeli eğitmek, fotoğraflardaki birden fazla alanı tanımlamak için uygun bir yaklaşımdır. Algılanan aşınma alanları için şiddeti/önceliği tahmin etmek üzere bir XGBoost sınıflandırıcısı eğitmek, her bir aşınma alanını acil onarım, planlı bakım veya eylem yok olarak kategorize etmek için uygundur. Aşınma içeren görüntülere görüntü büyütme uygulamak, nadir sınıfın örneklerini artırarak modelin aşınmayı daha iyi öğrenmesine yardımcı olur. Amazon Rekognition etiket algılama, genel etiketler için iyidir ancak belirli aşınma türlerini hassas bir şekilde tanımlamak için yeterli olmayabilir. k-means kümelemesi, aşınma şiddetini belirlemek için uygun değildir; bu bir sınıflandırma görevidir. Aşınma içermeyen görüntülere görüntü büyütme uygulamak, zaten bol olan bir sınıfı artırarak dengesizliği daha da kötüleştirebilir.