Na zdjęciu widzimy maszynowe systemy wizyjne, które automatycznie sterują pracą wykonywaną przez ludzi lub inne maszyny.

Sztuczna inteligencja w systemach wizyjnych.

Sztuczna inteligencja (AI, ang. Artificial Intelligence) to technologia, która zmienia każdą dziedzinę życia. Jest to wszechstronne narzędzie, które pozwala ludziom przemyśleć sposób, w jaki integrujemy informacje, analizujemy dane i wykorzystujemy uzyskane w ten sposób spostrzeżenia do usprawnienia podejmowania decyzji.

Techniki głębokiego uczenia (DL, ang. Deep Learning) to poddziedzina uczenia maszynowego, które stanowi zakres AI, a ich działanie często porównuje się do uczenia ludzkiego mózgu, jednakże pod tymi terminami kryje się matematyka. W ostatnich latach szacuje się duży wzrost użycia technik głębokiego uczenia. Systemy wizyjne, jako że, stwarzają wiele możliwości w aplikacjach ciężkich do realizacji za pomocą tradycyjnych narzędzi systemów wizyjnych.

Systemy inteligentne vs. klasyczne algorytmy.

Deep Learning przesunął granice tego, co było możliwe w dziedzinie cyfrowego przetwarzania obrazu. Nie oznacza to jednak, że po pojawieniu się Deep Learningu, tradycyjne techniki widzenia maszynowego, które rozwijały się w latach poprzedzających, stały się przestarzałe.

Tradycyjne techniki mogą rozwiązać problem znacznie wydajniej i w mniejszej liczbie wierszy kodu niż DL. Algorytmy oparte na regułach potrzebują znanego zestawu zmiennych dla danej inspekcji: które elementy i w jakich wariantach występują? jakie są tolerancje wymiarów? czy przedmiot inspekcji zmienia swoje położenie?

Kiedy mamy do czynienia z kontrolowanym środowiskiem i wszystkie istotne zmienne są znane, tradycyjne algorytmy będą potrafiły spełnić swoją rolę nie tylko precyzyjnie, ale i wydajnie, wykonując nawet tysiące inspekcji na minutę.

W uczeniu maszynowym używa się algorytmów do wykrywania wzorców w zestawach danych, do których następnie dostosowuje się funkcjonowanie programu. Ważną częścią uczenia maszynowego jest zbiór elementów na podstawie których algorytm będzie mógł się uczyć, a następnie podejmować decyzje. Wspomniany zbiór składa się zazwyczaj z setek przykładów, w zależności od przeznaczenia systemu, co przekłada się na dokładność i odporność algorytmu na zmiany. Deep Learning może oferować większą dokładność i wszechstronność, ale wymaga znacznie większej ilości zasobów i mocy obliczeniowych, co przekłada się na czas przetwarzania i koszty.

Zalety Deep Learningu.

W porównaniu z tradycyjnymi technikami wizji maszynowej, DL umożliwia osiągnięcie większej dokładności w zadaniach takich jak klasyfikacja obrazu, segmentacja semantyczna, wykrywanie obiektów oraz symultaniczna lokalizacja i mapowanie. Ponieważ sieci neuronowe używane w DL są uczone, a nie programowane, aplikacje korzystające z tego podejścia często wymagają mniej specjalistycznej analizy i dostrajania. DL zapewnia również doskonałą elastyczność, ponieważ modele i struktury sieci neuronowych można ponownie szkolić używając niestandardowego zestawu danych dla dowolnego przypadku, w przeciwieństwie do algorytmów CV, które zwykle są sztywne dla danego przypadku.

Systemy oparte na sztucznej inteligencji dobrze sprawdzają się w problemach związanych z inspekcją powierzchni, żywności, trudnych przypadków OCR, czy innymi, kiedy produkt posiada duża zmienność i/lub jego wady są bardzo różnorodne, a więc łatwe do pokazania lecz ciężkie do opisania i sklasyfikowania. Przykładem takiej inspekcji może być kontrola powierzchni gumowych węży: weryfikacja poprawności nadruków oraz znalezienie ubytków w konstrukcji. Okrągłe węże często pokryte są spiralnymi, przeplatającymi się wzorami, które będą wyglądać różnie w zależności od badanego fragmentu węża i obecnego miejsca inspekcji, a wady nadruku mogą przejawiać się w przeróżnych formach: od rozlanych, niewyraźnych wzorów do elementów ułożonych w złych odległościach i miejscach.

Takie defekty są mało powtarzalne i każdy posiada swój unikatowy kształt, rozmiar czy kolor, a wszystko to wraz z dużą zmiennością samego produktu tworzy pokaźny zbiór parametrów i niewiadomych, co może być barierą nie do przeskoczenia dla tradycyjnych algorytmów, a wręcz klasycznym przypadkiem dla zastosowań systemów inteligentnych.

Inteligentne systemy wizyjne a ich realne zastosowania – strzał w dziesiątkę czy przerost formy nad treścią?

Ostatnimi czasy temat sztucznej inteligencji to prawdziwy hit – wszystko wokół nas promowane jest jako „smart” czy „inteligentne”, a wizje i możliwości proponowanych rozwiązań wydają się być naprawdę obiecujące. To zjawisko obserwuje się również w świecie automatyki i robotyki, a dokładniej w oferowanych rozwiązaniach dla firm i fabryk.

Na ten moment, inteligentne systemy wizyjne nie są lekarstwem na każdy problem i sprawdzą się przy rozwiązywaniu określonej grupy problemów. Ich implementacja i wdrożenie wciąż wymagają zaangażowania niemałej ilości czasu doświadczonego integratora a w wielu aplikacjach lepszym wyborem będą wciąż algorytmy klasyczne.

Jednym z wyzwań dla implementacji rozwiązań opartych o DL jest stworzenie zbioru danych/zdjęć, opisanych odpowiednimi metadanymi, w oparciu o który algorytmy nauczy się jak podejmować decyzję. Zbiór danych należy przygotować starannie, gdyż będzie to główne źródło „wiedzy” dla algorytmów.

Z drugiej strony, podejście to pozwala już na dzień dzisiejszy rozwiązywać problemy, które dla algorytmów klasycznych są poza zasięgiem.

Bezsprzecznie inteligentne systemy to temat budzący duże zainteresowanie wśród firm i fabryk, gdyż ich potencjał jest ogromny.

Problem częstych zmian w produkcie – czy da się to rozwiązać przy pomocy AI?

Motoryzacja stanowi największy rynek, gdzie wykorzystuje się systemy wizyjne głównie do kontroli poprawność montażu, a więc sprawdzenia obecności i pozycji komponentów, czytania kodów oraz kontroli jakości elementów. Wady elementów powstają na etapie produkcji jak i montażu komponentów, a sama ich specyfikacja i klasyfikacja stanowi nie lada wyzwanie, bowiem rysy, przetarcia, niedociągnięcia czy wgniecenia mogą objawić się we wszelaki sposób, więc ich zakres jest często niejednoznaczny i szeroki.

Dla automatycznej weryfikacji takich przypadków, jednym z wyjść może być system wizyjny oparty na metodach głębokiego uczenia, który potrafi poradzić sobie z dużym zakresem i zmiennością. Aby analiza produktów z dużą zmiennością była możliwa, należy stworzyć zbiory zdjęć zawierające różnorakie ułożenia i warianty przedmiotu inspekcji: zestawy zdjęć poprawnych, niepoprawnych,  przedstawiających przedmiot inspekcji w przeróżnych pozycjach, wariantach, ułożeniach, zbiory z przedmiotami niekompletnymi, w różnym oświetleniu, często obrócone i zniekształcone. Takie zbiory mogą zawierać od setek do tysięcy zdjęć, a im więcej nauczy się algorytm tym dokładniejszy będzie podczas inspekcji.

Podsumowanie.

Za sprawą DL, niektóre, wcześniej używane tradycyjne techniki wizji maszynowej stały się mniej istotne, jednak wiedza nigdy nie jest przestarzała i zawsze istnieje coś, czego warto się nauczyć od każdego pokolenia innowacji. Należy pamiętać, że znaczną część problemów wizji maszynowej da się rozwiązać równie efektywnie przy użyciu tradycyjnych metod programowania, a często jest to nawet bardziej wskazane niż sięganie po DL. Sztuczna inteligencja to z pewnością potężne narzędzie w rękach programistów, jednak aby w pełni wykorzystać jej potencjał, potrzeba trochę więcej czasu na dostosowanie się do jej niemałych wymagań.  

Dowiedz się więcej o naszych systemach opartych o wizję maszynową.

Leave A Comment