Czym jest Deep Learning?
To rodzaj Sztucznej Inteligencji.
Umożliwia naśladowanie ludzkich procesów decyzyjnych jednostkom obliczeniowym. Rozwiązuje problemy na podstawie wyszukania unikalnych wzorców w bazie danych historycznych.
Dlaczego stosować Deep Learning?
Łączy skuteczność i niezawodność maszyn z ludzką percepcją.
Trenuje rozwiązywanie aplikacji na bazie rzeczywistych przykładów.
Już dziś sztuczna inteligencja może wspierać Twoje aplikacje
Deep learning zaimplementowany w aplikacji Intelligent Inspection umożliwia wydajną detekcję anomalii i klasyfikację obiektów, czego nie osiągniemy stosując klasyczne narzędzia Wizji Maszynowej.
Metodyka oparta na przykładach w połączeniu z możliwością uczenia bezpośrednio w kamerze oraz intuicyjny i przejrzysty interfejs użytkownika znacznie upraszcza i przyśpiesza proces wdrażania aplikacji.
Kompletny system wizyjny w zwartej konstrukcji kamer serii
InspectorP
Aplikacja Intelligent Inspection wspierana jest przez szeroką gamę programowalnych kamer serii InspectorP6xx.
- Jeśli inspekcje wykonywane są z niewielkich odległości, a parametrem krytycznym jest gabaryt kamery, najlepsze efekty uzyskujemy stosując kamery serii P62x oraz P61x.
- Jeśli potrzebujemy dużego pola widzenia i wysokiej szczegółowości obrazu, warto skorzystać z kamer serii P63x, P64x lub P65x, których charakterystycznymi cechami jest modułowość (indywidualne dopasowanie obiektywu, filtrów i oświetlenia) oraz matryce o rozdzielczościach do 4Mpx.
- Zwarta konstrukcja systemu wizyjnego wspieranego przez sztuczną inteligencję, jaką są kamery serii InspectorP to gwarancja najlepszego dopasowania przy jednoczesnej optymalizacji kosztów wdrażania.
Kiedy stosować deep learning w wizji maszynowej?
Jeśli masz możliwość zgromadzenia odpowiedniej liczby zdjęć, koniecznych do nauczenia sieci neuronowej, to nic nie stoi na przeszkodzie by wdrożyć procedurę uczenia i wykorzystać sieć neuronową do zadań wizji maszynowej.
Typowe zastosowania technologii deep learning to aplikacje, w których standardowe narzędzia wizji maszynowej nie zdają egzaminu.
Mogą to być m.in.:
- aplikacje klasyfikacji i sortowania obiektów pochodzenia naturalnego, obiektów zdeformowanych, materiałów o zmiennym stopniu refleksyjności, itp. lub
- aplikacje wykrywania trudnych do przewidzenia defektów powierzchni, połączeń lutowanych czy też zmian powstałych w procesach formowania wtryskowego.
Chcesz sprawdzić działanie sztucznej inteligencji w swojej aplikacji?
Jakie narzędzia Inteligent Inspection wspierane są przez sztuczną inteligencję?
Aplikacja Inteligent Inspection zawiera dwa narzędzia oparte na deep learning tj. narzędzie klasyfikacji oraz narzędzie wykrywania defektów.
Pokaż mi obiekt, a ja Ci powiem co to jest
Narzędzie klasyfikacji (object classification) pozwala na sortowanie podobnych do siebie obiektów, w przypadku których nie możliwe jest ich rozróżnienie tradycyjną wizją maszynową.
Najczęściej są to obiekty:
• zdeformowane w losowy sposób w procesie produkcji,
• obiekty pochodzenia organicznego,
• obiekty powstałe w skutek procesów naturalnych lub takich które nie są powtarzalne.
• materiałów refleksyjnych o zmiennym stopniu refleksyjności
Możliwe do zastosowania także w procesach kontroli montażu oraz klasyfikacji defektów.
Pokaż mi obiekt, a ja Ci powiem gdzie ma wadę
Narzędzie wykrywania defektów (anomaly detection) sprawdza czy w wybranym polu inspekcji nie pojawiły się odstępstwa od obrazu nauczonego na bazie serii wzorcowych elementów.
Jest to narzędzie szczególnie przydatne w aplikacjach złożonych procesów, gdzie okresowo mogą się pojawiać nieprzewidywalne zmiany takie jak defekty: powierzchni, spawów, połączeń klejonych, lutów oraz pozostałości po procesie formowania wtryskowego
Czym jest uczenie sieci neuronowej?
Proces uczenia sieci nuronowej jest podstawą metody głębokiego uczenia.
- Na wstępie wymagane jest zebranie pewnej ilości zdjęć do nauki sieci.
- W dalszym kroku należy poprawnie oznaczyć zebrane zdjęcia, tak by sieć neuronowa miała poprawną bazę w procesie nauki, np. w procesie klasyfikacji obiektów każde zdjęcie powinno zostać przypisane do prawidłowej klasy, która będzie później wynikiem analizy wykonywanej przez taką sieć.
- Implementacja uczenia to kolejny krok, który z reguły wymaga odpowiednich algorytmów uczenia i odpowiednio mocnej jednostki obliczeniowej do wykonania obliczeń.
- Po wygenerowaniu nauczonej sieci neuronowej przed implementacją warto jest dodatkowo sprawdzić poprawność jej działania, wykorzystując chociażby wcześniej zgormadzone zdjęcia.
- Proces uczenia zaczyna się od zebrania zdjęć w czym pomocne jest narzędzie Image Collection Tool. Pozwala na zapis zdjęć bezpośrednio na linii produkcyjnej i przesłanie ich na serwer ftp (dostępne we wszystkich kamerach InspectorP), bądź zapis na karcie pamięci (niedostępne w P61x).
- Następnie należy odpowiednio posortować zdjęcia. W przypadku narzędzia klasyfikacji sortujemy obiekty zgodnie z oczekiwanymi klasami obiektów, a w przypadku narzędzia wykrywania defektów skupiamy się na zdjęciach przedstawiających tylko poprawne detale (zdjęcia zawierające defekty, można wykorzystać w procesie testowania sieci).
- W dalszym kroku przystępujemy do uczenia sieci. W przypadku klasyfikacji obiektów uczenie wykonywane jest w aplikacji chmurowej SICK dStudio, a dla wykrywania anomalii, uczenie odbywa się bezpośrednio w kamerze serii InspectorP.
- Następnie sprawdzamy poprawność działania sieci.
- Ostatnim krokiem jest implementacja sieci w kamerze i parametryzacja kamery względem odpowiedniego zwracania wyników
- bądź to w postaci ramki komunikacyjnej w jednym z wielu dostępnych protokołów transmisji,
- bądź jako sygnalizacja na odpowiednich wyjściach cyfrowych.
Wynik działania sieci może być również zastosowany jako wartość zmienna w połączeniu z innymi narzędziami wizji maszynowej (np. pomiar odległości, zliczanie obiektów, określanie pozycji, itp.) dostępnymi w zasobach aplikacji Inteligent Inspection.
W urządzeniu: Proces w całości do przeprowadzenia w urządzeniu w celu sprawnego i wygodnego tworzenia aplikacji wizyjnej
dStudio: W celu zoptymalizowanej dokładności i szybkości działania narzędzia
