Как машините се учат да разпознават модели
Изкуственият интелект (ИИ) се превърна в незаменима част от индустриалната обработка на изображения. Независимо дали става дума за откриване на повреди, класификация на компоненти или оптично разпознаване на символи, адаптивните системи помагат за автоматизиране на сложни визуални задачи.
Но какво точно стои зад термини като „AI модел“ или „невронна мрежа„? И как се различават?
AI моделът е изчислителна система, която е обучена да разпознава модели в данните и да взема решения или прогнози .
Тя се основава на математически и статистически методи, които позволяват да се учи от примери – подобно на начина, по който хората учат от опит.
Моделите на ИИ са вдъхновени от човешкия мозък: те се състоят от изкуствени неврони, свързани помежду си чрез тежести . Тези тегла определят колко входен сигнал (например стойност на пиксел на изображение) влияе на активността на неврона.
По време на обучителния процес моделът се „храни“ с много примери. Той сравнява своите прогнози с реалната вярност на земята (например „винт“ или „пирон“) и коригира теглата така, че прогнозите да станат по-точни с времето.
Този процес е известен като машинно обучение .
Пример:
AI моделът може да се научи да различава от изображенията дали даден компонент е без дефекти („OK“) или повреден („NOK“) – и това без да се налага ръчно да програмира правилата.
Терминът „AI модел“ е общ термин за много различни видове алгоритми. Те включват, наред с други:
Невронната мрежа е следователно специална форма на AI модел, която е особено подходяща за сложни задачи – като разпознаване на обекти в изображения, анализ на езика или прогнозиране на нелинейни връзки.
В индустриалната обработка на изображения невронните мрежи се използват основно, когато класическите, базирани на правила подходи достигнат своите граници – например при неправилни повърхности, променливи светлинни условия или свободно оформени обекти.
Изкуствената невронна мрежа (АНН) е математически модел, който е свободно базиран на начина, по който работи човешкият мозък.
Състои се от голям брой неврони, свързани помежду си в няколко слоя, наречени слоеве .
Всеки изкуствен неврон получава входни сигнали, обработва ги математически и предава изходен сигнал. Здравината на тази трансмисия се контролира от тежести . Чрез многократно обучение мрежата научава кои функции са релевантни за решаване на дадена задача.
Невронната мрежа е разделена на три основни слоя:
Входният слой взема суровите данни.
В обработката на изображения, например, това са стойности на пиксели на изображение на камера или извлечени характеристики като ръбове, цветове или контрасти.
Всеки входен сигнал се предава на следващия слой.
Тук се случва истинското учене.
Скритите слоеве се състоят от много неврони, които обработват входните данни в няколко изчислителни етапа. В процеса мрежата разпознава все по-абстрактни характеристики:
Колкото повече скрити слоеве има една мрежа, толкова по-дълбока е тя – откъдето идва терминът дълбоко обучение.
Изходният слой дава крайния резултат:
например „Обектът е винт“, „Открита грешка“ или „OK/NOK“.
Изходът може да бъде едно решение или вероятностно разпределение между няколко класа.
По време на обучението невронната мрежа сравнява прогнозата си с известния целеви изход.
Разликата между двете се изчислява чрез функция на загуба .
Грешката след това се разпределя обратно през мрежата чрез математически процес, наречен обратна пропаганда , за коригиране на теглата.
Този процес на учене се повтаря хиляди пъти, докато моделът надеждно разпознае моделите.
Разликата между AI модела и невронната мрежа се крие в степента на специализация:
| Пример за | описание | на термина |
| AI модел | Общ термин за адаптивни системи, които анализират данни и вземат решения. | Дърво на решения, SVM, невронна мрежа |
| Невронна мрежа | Специален тип AI модел, който се състои от много свързани изкуствени неврони и е особено мощен при сложни задачи. | Дълбоко обучение за разпознаване на обекти |
Невронните мрежи формират технологичната основа на много съвременни AI системи – включително в индустриалната обработка на изображения. Те позволяват на умни камери и зрителни сензори от wenglor да откриват обекти прецизно, да класифицират грешки и да вземат решения в реално време – интелигентно, адаптивно и готово за бъдещето.
Длъжност