Kako se stroji naučijo prepoznavati vzorce
Umetna inteligenca (UI) je postala nepogrešljiv del industrijske obdelave slik. Ne glede na to, ali gre za zaznavanje napak, klasifikacijo komponent ali optično prepoznavanje znakov, prilagodljivi sistemi pomagajo avtomatizirati kompleksne vizualne naloge.
Toda kaj pravzaprav stoji za izrazi , kot sta »AI model« ali »nevronska mreža«? In kako se razlikujeta?
Model UI je računalniški sistem, ki je usposobljen za prepoznavanje vzorcev v podatkih in sprejemanje odločitev ali napovedi.
Temelji na matematičnih in statističnih metodah, ki omogočajo učenje iz primerov – podobno kot se ljudje učijo iz izkušenj.
Modeli umetne inteligence so navdihnjeni s človeškimi možgani: sestavljajo jih umetni nevroni, povezani med seboj z utežmi . Te uteži določajo , koliko vhodni signal (npr. vrednost slikovnega piksla) vpliva na aktivnost nevrona.
Med postopkom učenja je model “hranjen” z mnogimi primeri. Primerja svoje napovedi z dejansko resnico na terenu (npr. “vijak” ali “žebelj”) in prilagaja uteži, da napovedi sčasoma postanejo natančnejše.
Ta proces je znan kot strojno učenje .
Primer:
Model umetne inteligence se lahko nauči razlikovati iz slik, ali je komponenta brez napak (“OK”) ali poškodovana (“NOK”) – in to brez ročnega programiranja pravil.
Izraz “AI model” je krovni izraz za številne različne vrste algoritmov. Med njimi so, med drugim:
Nevronska mreža je zato posebna oblika modela umetne inteligence, ki je še posebej primerna za zahtevne naloge – kot so prepoznavanje predmetov na slikah, analiza jezika ali napovedovanje nelinearnih odnosov.
V industrijski obdelavi slik se nevronske mreže uporabljajo predvsem tam, kjer klasični, na pravilih temelječi pristopi dosežejo svoje meje – na primer pri nepravilnih površinah, spremenljivih svetlobnih pogojih ali prostih objektih.
Umetna nevronska mreža (ANN) je matematični model, ki je ohlapno osnovan na načinu delovanja človeških možganov.
Sestavljen je iz velikega števila nevronov, ki so med seboj povezani v več plasteh, imenovanih plasti .
Vsak umetni nevron prejme vhodne signale, jih matematično obdela in posreduje izhodni signal. Moč tega prenosa nadzorujejo uteži . S ponavljajočimi se usposabljanji omrežje nauči, katere funkcije so pomembne za reševanje določene naloge.
Nevronska mreža je razdeljena na tri glavne plasti:
Vhodna plast sprejme surove podatke.
Pri obdelavi slik so to na primer vrednosti slikovnih pik slike kamere ali izlušenih značilnosti, kot so robovi, barve ali kontrasti.
Vsak vhodni signal se prenese na naslednjo plast.
Tu se začne pravo učenje.
Skrite plasti sestavljajo številni nevroni, ki vhodne podatke obdelujejo v več računalniških fazah. Pri tem omrežje prepoznava vse bolj abstraktne značilnosti:
Več skritih plasti kot ima omrežje, globlje je – od tod tudi izraz globoko učenje.
Izhodna plast zagotavlja končni rezultat:
npr. “Objekt je vijak”, “Zaznana napaka” ali “OK/NOK”.
Izhod je lahko ena sama odločitev ali verjetnostna porazdelitev med več razredi.
Med treningom nevronska mreža primerja svojo napoved z znanim ciljnim izhodom.
Razlika med obema se izračuna z izgubno funkcijo .
Napaka se nato porazdeli nazaj skozi mrežo z matematičnim postopkom, imenovanim povratna propagacija , da se popravijo uteži.
Ta proces učenja se ponovi tisočekrat, dokler model zanesljivo ne prepozna vzorcev.
Razlika med AI modelom in nevronskim omrežjem je v stopnji specializacije:
| Primer | opisa izraza | |
| Model umetne inteligence | Splošni izraz za prilagodljive sisteme, ki analizirajo podatke in sprejemajo odločitve. | Drevo odločanja, SVM, nevronska mreža |
| Nevronska mreža | Posebna vrsta AI modela, ki je sestavljena iz številnih povezanih umetnih nevronov in je še posebej zmogljiva pri zahtevnih nalogah. | Globoko učenje za prepoznavanje predmetov |
Nevronske mreže predstavljajo tehnološko osnovo mnogih sodobnih sistemov umetne inteligence – tudi v industrijski obdelavi slik. Omogočajo pametnim kameram in vidnim senzorjem podjetja Wenglor, da natančno zaznajo predmete, razvrstijo napake in sprejemajo odločitve v realnem času – inteligentno, prilagodljivo in pripravljeno na prihodnost.
Naziv delovnega mesta