От телефонов в наших карманах до реальности беспилотных автомобилей — потребительская экономика начала использовать возможности искусственного интеллекта (ИИ). ИИ стал основополагающей технологией распознавания речи, текста и лиц, которую мы используем в наших мобильных и носимых устройствах, и теперь начинает использоваться во многих других приложениях – от медицинской диагностики до интернет-безопасности – для прогнозирования закономерностей и принятия критически важных решений. Эта же технология сейчас переходит в передовые производственные практики для контроля качества и других целей, основанных на суждениях.
По сути, ИИ учит роботов и машины делать то, что естественно для людей: учиться на собственном примере.
Новое недорогое оборудование сделало практичным развертывание биотехнологических многослойных «глубинных» нейронных сетей, имитирующих нейронные сети в человеческом мозге. Это дает производственным технологиям новые удивительные возможности распознавать изображения, различать тенденции и делать разумные прогнозы и решения. Начиная с базовой логики, разработанной во время первоначального обучения, нейронные сети с поддержкой ИИ могут постоянно
совершенствовать свою производительность по мере того, как им представляются новые изображения, речь и текст.
Программное обеспечение на базе искусственного интеллекта может выполнять задачи по обнаружению, проверке, классификации и распознаванию деталей на основе суждений более эффективно, чем люди или традиционные решения машинного зрения. Ведущие производители все чаще обращаются к решениям на основе искусственного интеллекта для решения самых сложных задач автоматизации.
Машинное зрение для автоматизации сборки
Прошли те времена, когда люди напрямую управляли заводскими линиями. Сегодня машины автоматизируют задачи производства, сборки и обработки материалов. Системы машинного зрения (MVS – Machine Vision Systems), оснащенные алгоритмами точного выравнивания и идентификации, а также возможностями наведения, позволили производить компактные современные изделия, которые невозможно изготовить вручную. На производственной линии они могут надежно и многократно проверять сотни или тысячи деталей в минуту, что намного превосходит возможности человека.
На протяжении десятилетий MVS учили компьютеры выполнять проверки, выявляющие дефекты, загрязнения, функциональные дефекты и другие нарушения в производимой продукции. Машинное зрение превосходно подходит для количественного измерения четких структур благодаря своей скорости, точности и повторяемости. MVS,
построенная на основе правильного разрешения камеры и оптики, может легко проверять детали объекта, слишком мелкие, чтобы их мог увидеть человеческий глаз, и проверять их с большей надежностью и меньшими ошибками
Решения ИИ могут быть основаны на разных базовых технологиях
Периферийное обучение: развертывание за считанные минуты
Периферийное обучение — это подмножество ИИ, в котором обработка данных происходит на устройстве или «на периферии» с использованием предварительно обученного набора алгоритмов.
Технология проста в настройке, требует меньших наборов изображений и более коротких периодов обучения и проверки, чем традиционные решения на основе глубокого обучения.
Глубокое обучение: анализ мелких деталей
Глубокое обучение, способное обрабатывать большие наборы подробных изображений, предназначено для автоматизации сложных или индивидуально настраиваемых приложений. Эта технология позволяет пользователям быстро и эффективно анализировать огромные наборы изображений, различая при этом приемлемые и неприемлемые аномалии и обеспечивая точные результаты.
ИИ по сравнению с другими методами проверки
Проблема изменчивости
Традиционные MVS работают надежно благодаря качественно изготовленным деталям. Они работают на основании поэтапной фильтрации и алгоритмов, основанных на правилах, которые более экономичны, чем проверка человеком. Но алгоритмы становятся громоздкими по мере роста библиотек исключений и дефектов. Некоторые традиционные проверки машинного зрения, такие как окончательная проверка сборки, как известно, сложно программировать из-за множества переменных, которые машине сложно изолировать, таких как освещение, изменения цвета, кривизны и поля зрения.
Хотя системы машинного зрения допускают некоторую изменчивость внешнего вида детали из-за масштаба, вращения и искажения положения, сложные текстуры поверхности и проблемы с качеством изображения создают серьезные проблемы при проверке.
Системы машинного зрения с трудом могут оценить изменчивость и отклонения между визуально похожими деталями.
Сбивающий с толку и яркий фон может помешать традиционным системам машинного зрения оценить небольшие различия между изображениями. В этом случае модель на основе искусственного интеллекта видит за металлической поверхностью и зеркальными бликами, чтобы проверить отсутствие проволочных лент в сборке обшивки автомобиля.
Преимущества человеческого обследования
В отличие от традиционного машинного зрения, люди умеют различать тонкие косметические и функциональные недостатки, а также могут оценить различия во внешнем виде деталей, которые могут повлиять на воспринимаемое качество. Хотя скорость обработки информации ограничена, люди обладают уникальной способностью концептуализировать и обобщать.
Мы преуспеваем в обучении на примерах и способны различать то, что действительно важно, когда речь идет о небольших аномалиях между частями. Это делает человеческое зрение во многих случаях лучшим выбором для качественной интерпретации сложной, неструктурированной детали, особенно с тонкими дефектами и непредсказуемыми изъянами.
Например, люди гораздо точнее справляются с деформированными и трудно читаемыми символами, сложными поверхностями и косметическими дефектами. Во всем этом машины не могут составить конкуренцию людям.
ИИ для сложных проверок
Модели с поддержкой искусственного интеллекта могут помочь машинам преодолеть присущие им ограничения, сочетая самообучение человека-инспектора со скоростью и согласованностью компьютеризированной системы.
Анализ изображений на основе искусственного интеллекта особенно хорошо подходит для косметического осмотра поверхности, который является сложным по своей природе: шаблоны, которые различаются тонкими, но допустимыми способами, и где варианты положения могут препятствовать использованию методов, основанных на пространственных данных.
Анализ изображений на основе искусственного интеллекта превосходно выявляет косметические и функциональные аномалии, с которыми борется машинное зрение, и делает это быстрее и надежнее, чем человек-инспектор.
ИИ превосходно справляется со сложными поверхностными и косметическими дефектами, такими как царапины и вмятины на точеных, матовых или блестящих деталях. Независимо от того, используется ли анализ изображений на основе ИИ для обнаружения, считывания, проверки или классификации интересующих элементов, он отличается от традиционного машинного зрения своей способностью концептуализировать и обобщать внешний вид детали на основе ее отличительных характеристик, даже если эти характеристики незначительно различаются или иногда отклоняются.
Выбор между традиционным машинным зрением и ИИ
Выбор между традиционным машинным зрением и искусственным интеллектом зависит от типа решаемой задачи, объема обрабатываемых данных и возможностей обработки. Действительно, несмотря на свои многочисленные преимущества, ИИ не является подходящим решением для многих целей. Традиционные технологии программирования, основанные на правилах, лучше подходят для измерения и для точного выравнивания.
В некоторых случаях традиционное видение может быть лучшим выбором для точного определения интересующей области, а ИИ — для проверки этой области. Результат проверки на основе искусственного интеллекта затем может быть передан обратно традиционному зрению для точного измерения размера и формы дефекта.
ИИ дополняет подходы, основанные на правилах, и снижает потребность в экспертных знаниях в области ИИ для проведения эффективной проверки. ИИ перекладывает логическую нагрузку с разработчика приложения, который разрабатывает и пишет алгоритм, основанный на правилах, на инженера, обучающего систему.
Это также открывает новый диапазон возможностей для решения задач, которые никогда не применялись без участия человека-инспектора. Таким образом, ИИ упрощает работу с машинным зрением, одновременно расширяя границы того, что компьютер и камера могут точно контролировать.
Заключение
Промышленность все чаще обращается к технологии искусственного интеллекта для решения производственных проверок, слишком сложных, трудоемких и дорогостоящих для программирования с использованием традиционных алгоритмов, основанных на правилах. Это позволит автоматизировать ранее непрограммируемые задачи, снизить уровень ошибок и сократить время проверки. ИИ предлагает производителям возможность решать проблемы, которые бросают вызов традиционным приложениям машинного зрения, и делать это с большей надежностью.
