Bagaimana kecerdasan buatan merevolusikan kawalan kualiti perindustrian
Kecerdasan Buatan (AI) bukan lagi teknologi masa hadapan – ia merupakan bahagian penting dalam sistem pemprosesan imej perindustrian moden. Daripada kawalan kualiti dan pengesanan kecacatan kepada pengecaman aksara optik: Kaedah yang disokong AI membolehkan tugasan visual yang kompleks diselesaikan dengan andal, cepat dan automatik.
Tetapi teknologi AI khusus yang manakah digunakan? Dan bagaimana ia berbeza dari segi fungsi dan bidang aplikasinya?
Asas setiap analisis imej yang disokong AI
Semasa pengelasan, imej atau bahagian imej diberikan kepada satu atau lebih kelas yang telah ditetapkan. Oleh itu, AI mengenali “apa” yang kelihatan dalam imej – contohnya, objek tertentu, kategori komponen atau keadaan kesalahan.
Perbezaan dibuat antara pengelasan berbilang kelas dan berbilang label :
Di sini, setiap imej hanya boleh diberikan kepada satu kelas .
Contoh:
Kelas-kelas tersebut saling eksklusif. Skru tidak boleh menjadi “OK” dan “NOK” pada masa yang sama.
Pengelasan jenis ini kerap digunakan dalam kawalan kualiti atau tugasan pengisihan di mana tugasan yang jelas diperlukan.
Sebaliknya, dalam pengelasan berbilang label, imej boleh tergolong dalam beberapa kelas secara serentak .
Contoh:
Oleh kerana ciri-ciri ini tidak saling eksklusif, sesuatu objek boleh mempamerkan beberapa jenis kecacatan secara serentak.
Kaedah ini sesuai untuk analisis kualiti yang kompleks di mana pelbagai ciri atau kecacatan perlu dikesan secara selari .
Di mana objek berada – bukan sekadar apa sebenarnya objek itu.
Walaupun pengelasan menilai keseluruhan imej, pengesanan objek melangkah lebih jauh: ia mengesan berbilang objek dalam imej , menempatkannya dan memberikan setiap satunya kelas.
Kedudukan-kedudukan tersebut diterangkan oleh apa yang dipanggil kotak sempadan . Setiap kotak menandakan lokasi objek dan kategori mana ia tergolong.
Terdapat dua jenis:
Kotak sempadan diselaraskan selari dengan paksi imej . Kaedah ini cekap dari segi pengiraan dan sesuai untuk objek piawai dengan orientasi yang jelas.
Di sini, kotak sempadan dilaraskan kepada orientasi sebenar objek. Ini membolehkan objek yang terletak pada sudut atau berputar dikesan dengan tepat – satu kelebihan utama untuk aplikasi dengan kedudukan berubah-ubah, seperti komponen pada tali sawat.
Pengecaman objek amat berguna untuk tugas-tugas seperti:
Analisis tepat piksel untuk ketepatan maksimum
Segmentasi merupakan peringkat analisis imej yang disokong AI yang paling halus. Di sini, bukan sahaja objek dikenali secara keseluruhan, malah setiap piksel individu dalam imej diberikan kelas.
Hasilnya: Penentuan tepat objek, kawasan dan zon ralat.
Contoh:
Kaedah ini amat cekap apabila ketepatan perincian diperlukan – contohnya dalam pemeriksaan permukaan , ujian jahitan kimpalan atau kawalan kualiti optik salutan dan filem.
Apabila penglihatan mesin menjadi bacaan
Selain model yang telah ditetapkan untuk pengelasan, pengecaman objek dan segmentasi, semakin banyak syarikat bergantung pada model AI terlatih khusus aplikasi .
Satu contohnya ialah pengecaman aksara optik (OCR) menggunakan pembelajaran mendalam – singkatan daripada Deep OCR .
Walaupun sistem OCR tradisional bergantung pada fon yang berstruktur dengan jelas dan latar belakang yang seragam, Deep OCR menggunakan rangkaian saraf mendalam yang dilatih pada sejumlah besar imej teks dunia sebenar . Ini membolehkan sistem untuk:
Teknologi ini merupakan satu pencapaian penting untuk aplikasi seperti:
AI menjadikan pemprosesan imej perindustrian lebih pintar, lebih tepat dan lebih fleksibel.
Integrasi kecerdasan buatan ke dalam pemprosesan imej perindustrian membolehkan senario aplikasi yang serba baharu.
Kamera pintar dan sensor penglihatan moden, yang telah mengintegrasikan algoritma penilaian yang disokong AI, membolehkan proses direka bentuk dengan lebih pantas, lebih andal dan lebih adaptif .
Tajuk kerja