Как изкуственият интелект прави революция в инспекцията на качеството в промишлеността
Изкуственият интелект (ИИ) вече не е тема от бъдещето – той е неразделна част от съвременните промишлени системи за обработка на изображения. От контрол на качеството и откриване на дефекти до оптично разпознаване на символи: процесите, подпомагани от ИИ, позволяват надеждно, бързо и автоматично решаване на сложни визуални задачи.
Но кои технологии за изкуствен интелект се използват в действителност? И по какво се различават те по отношение на начина на работа и мястото на използване?
Основата на всеки анализ на изображения с помощта на изкуствен интелект
По време на класификацията да дено изображение или част от изображение се отнася към един или повече предварително определени класове. По този начин изкуственият интелект разпознава “ какво“ може да се види в изображението – например конкретен обект, категория на компонент или състояние на неизправност.
Прави се разграничение между многокласна и многоетикетна класификация:
Тук всяко изображение може да бъде причислено само към един клас.
Пример:
Класовете са взаимно изключващи се. Един винт не може да бъде едновременно „OK“ и „NOK“.
Този тип класификация често се използва при проверка на качеството или при задачи за сортиране, когато се изисква ясна класификация.
За разлика от това, при класификацията с няколко етикета едно изображение може да принадлежи към няколко класа едновременно.
Пример:
Тъй като тези характеристики не се изключват взаимно, един обект може да има няколко вида дефекти едновременно.
Този метод е идеален за сложни анализи на качеството , при които трябва да се открият няколко характеристики или дефекти паралелно.
Къде се намират обектите – а не само какви са те
Докато класификацията оценява цялото изображение, откриването на обекти отива една стъпка по-напред: то разпознава няколко обекта в изображението, локализира ги и присвоява на всеки от тях клас.
Позициите се описват с така наречените ограничителни кутии. Всяка кутия отбелязва къде се намира даден обект и към коя категория принадлежи.
Съществуват два вида:
Ограничителните полета са подравнени успоредно на осите на изображението. Този метод е ефективен от изчислителна гледна точка и е подходящ за стандартизирани обекти с ясна ориентация.
В този случай ограничителните полета се адаптират към действителната ориентация на обекта. Това означава, че дори наклонени или завъртяни обекти могат да бъдат разпознати точно – голямо предимство за приложения с променливи позиции, като например компоненти върху конвейерни ленти.
Разпознаването на обекти е особено полезно за задачи като:
Перфектен анализ на пикселите за максимална прецизност
Сегментирането е най-финият етап от анализа на изображения с помощта на ИИ. При него обектът се разпознава не само като цяло, но и на всеки отделен пиксел в изображението се определя клас.
Резултатът: точно определяне на границите на обекти, повърхности и области на разломи.
Примери:
Този метод е особено ефективен, когато се изисква детайлна точност – например при проверка на повърхности, заваръчни шевове или при оптичен контрол на качеството на покрития и филми.
Когато машинното зрение се превръща в четене
В допълнение към утвърдените модели за класификация, разпознаване на обекти и сегментиране все повече компании разчитат на обучени модели на изкуствен интелект, специфични за дадено приложение.
Един пример е оптичното разпознаване на символи (OCR) с помощта на дълбоко обучение – накратко deep OCR.
Докато традиционните системи за разпознаване на текст разчитат на ясно структурирани шрифтове и стандартизирани фонове, дълбокото разпознаване на текст използва дълбоки невронни мрежи, които са обучени върху големи количества изображения на реален текст. Това позволява на системата да:
Тази технология е крайъгълен камък за приложения като:
AI прави обработката на промишлени изображения по-интелигентна, по-прецизна и по-гъвкава
Интегрирането на изкуствения интелект в обработката на промишлени изображения дава възможност за напълно нови сценарии на приложение.
Със съвременните интелигентни камери и сензори за зрение, които вече интегрират алгоритми за оценка, поддържани от изкуствен интелект, процесите могат да бъдат проектирани така, че да бъдат по-бързи, по-надеждни и по-адаптивни.
Длъжност