Λογότυπο Zephyrnet

Οπτική επιθεώρηση τεχνητής νοημοσύνης για ανίχνευση ελαττωμάτων στη βιομηχανία

Ημερομηνία:

τεχνητή νοημοσύνη ανίχνευσης ελαττωμάτων
Εικόνα: © IoT για όλους

Η τεχνητή νοημοσύνη στη μεταποίηση είναι ένας μοντέρνος όρος. Κατά την περιγραφή λύσεων ανίχνευσης ελαττωμάτων που βασίζονται σε τεχνητή νοημοσύνη, πρόκειται συχνά για τεχνολογία οπτικής επιθεώρησης που βασίζεται στη βαθιά εκμάθηση και την όραση υπολογιστή.

Τι είναι το Deep Learning σε μια οπτική επιθεώρηση;

Η βαθιά μάθηση είναι μια πτυχή της τεχνολογίας μηχανικής μάθησης που τροφοδοτείται από τεχνητά νευρωνικά δίκτυα. Η αρχή λειτουργίας της τεχνολογίας βαθιάς εκμάθησης είναι να μάθουν οι μηχανές να μαθαίνουν με το παράδειγμα. Παρέχοντας ένα νευρωνικό δίκτυο με επισημασμένα παραδείγματα συγκεκριμένων τύπων δεδομένων, είναι δυνατό να εξαχθούν κοινά πρότυπα μεταξύ αυτών των παραδειγμάτων και στη συνέχεια να τα μετατρέψουμε σε μαθηματική εξίσωση. Αυτό βοηθά στην ταξινόμηση των μελλοντικών πληροφοριών.

Με την τεχνολογία οπτικής επιθεώρησης, η ενσωμάτωση αλγορίθμων βαθιάς εκμάθησης επιτρέπει τη διαφοροποίηση τμημάτων, ανωμαλιών και χαρακτήρων, που μιμούνται την ανθρώπινη οπτική επιθεώρηση ενώ εκτελείτε ένα μηχανογραφημένο σύστημα. 

Λοιπόν, τι σημαίνει ακριβώς; Ας χρησιμοποιήσουμε ένα παράδειγμα:

Εάν πρόκειται να δημιουργήσετε ένα λογισμικό οπτικής επιθεώρησης για την κατασκευή αυτοκινήτων, θα πρέπει να αναπτύξετε έναν αλγόριθμο βασισμένο στην εκμάθηση και να τον εκπαιδεύσετε με παραδείγματα ελαττωμάτων που πρέπει να εντοπίσει. Με αρκετά δεδομένα, το νευρωνικό δίκτυο θα ανιχνεύσει τελικά ελαττώματα χωρίς πρόσθετες οδηγίες.

Τα συστήματα οπτικής επιθεώρησης που βασίζονται σε βαθιά μάθηση είναι καλά στην ανίχνευση ελαττωμάτων που είναι πολύπλοκα στη φύση. Αντιμετωπίζουν πολύπλοκες επιφάνειες και καλλυντικά ελαττώματα και γενικεύουν και εννοούν τις επιφάνειες των εξαρτημάτων.

Πώς να ενσωματώσετε το σύστημα οπτικής επιθεώρησης AI

1. Αναφέρετε το πρόβλημα

Η ανάπτυξη οπτικής επιθεώρησης ξεκινά συχνά με μια επιχειρηματική και τεχνική ανάλυση. Ο στόχος εδώ είναι να καθοριστεί τι είδους ελαττώματα πρέπει να εντοπίσει το σύστημα.

Άλλες σημαντικές ερωτήσεις που πρέπει να κάνετε είναι:

  • Τι είναι το περιβάλλον του συστήματος οπτικής επιθεώρησης;
  • Πρέπει ο έλεγχος να είναι σε πραγματικό χρόνο ή να αναβληθεί; 
  • Πόσο καλά πρέπει το σύστημα οπτικής επιθεώρησης να εντοπίζει ελαττώματα και να τα διακρίνει ανά τύπο;
  • Υπάρχει κάποιο υπάρχον λογισμικό που ενσωματώνει τη λειτουργία οπτικής επιθεώρησης ή απαιτεί ανάπτυξη από την αρχή;
  • Πώς πρέπει το σύστημα να ειδοποιεί τους χρήστες για τους εντοπισμένους ελαττώματα;
  • Πρέπει το σύστημα οπτικής επιθεώρησης να καταγράφει στατιστικά στοιχεία ανίχνευσης ελαττωμάτων;
  • Και το βασικό ερώτημα: Υπάρχουν δεδομένα για την ανάπτυξη μοντέλου βαθιάς μάθησης, συμπεριλαμβανομένων εικόνων «καλών» και «κακών» προϊόντων και των διαφορετικών τύπων ελαττωμάτων;

Οι μηχανικοί επιστήμης δεδομένων επιλέγουν τη βέλτιστη τεχνική λύση και ροή για να προχωρήσουν με βάση τις απαντήσεις που λαμβάνουν.

2. Συγκέντρωση και προετοιμασία δεδομένων

Οι μηχανικοί επιστήμης δεδομένων πρέπει να συλλέξουν και να προετοιμάσουν τα δεδομένα που απαιτούνται για την εκπαίδευση ενός μελλοντικού μοντέλου πριν ξεκινήσει η ανάπτυξη μοντέλου βαθιάς εκμάθησης. Για τις διαδικασίες κατασκευής, είναι σημαντικό να εφαρμόσετε αναλύσεις δεδομένων IoT. Κατά τη συζήτηση μοντέλων οπτικής επιθεώρησης, τα δεδομένα είναι συχνά εγγραφές βίντεο, όπου οι εικόνες που υποβάλλονται σε επεξεργασία από μοντέλο οπτικής επιθεώρησης περιλαμβάνουν καρέ βίντεο. Υπάρχουν πολλές επιλογές για τη συλλογή δεδομένων, αλλά οι πιο συνηθισμένες είναι:

  1. Λήψη υπάρχουσας εγγραφής βίντεο που παρέχεται από έναν πελάτη
  2. Λήψη εγγραφών βίντεο ανοιχτού κώδικα που ισχύουν για καθορισμένους σκοπούς
  3. Συλλογή δεδομένων από την αρχή σύμφωνα με τις απαιτήσεις του μοντέλου βαθιάς εκμάθησης

Οι πιο σημαντικές παράμετροι εδώ είναι η ποιότητα της εγγραφής βίντεο. Τα δεδομένα υψηλότερης ποιότητας θα οδηγήσουν σε πιο ακριβή αποτελέσματα. 

Μόλις συλλέξουμε τα δεδομένα, τα προετοιμάζουμε για μοντελοποίηση, τα καθαρίζουμε, ελέγχουμε ανωμαλίες και διασφαλίζουμε τη συνάφεια τους.

3. Αναπτύξτε μοντέλο βαθιάς μάθησης

Η επιλογή μιας προσέγγισης ανάπτυξης μοντέλου βαθιάς μάθησης εξαρτάται από την πολυπλοκότητα μιας εργασίας, τον απαιτούμενο χρόνο παράδοσης και τους περιορισμούς του προϋπολογισμού. Υπάρχουν διάφορες προσεγγίσεις:

Χρήση μιας υπηρεσίας ανάπτυξης μοντέλου βαθιάς εκμάθησης (π.χ.: Google Cloud ML Engine, Amazon ML, κ.λπ.)

Αυτός ο τύπος προσέγγισης έχει νόημα όταν οι απαιτήσεις για δυνατότητες ανίχνευσης ελαττωμάτων είναι σύμφωνες με τα πρότυπα που παρέχονται από μια δεδομένη υπηρεσία. Αυτές οι υπηρεσίες μπορούν να εξοικονομήσουν χρόνο και προϋπολογισμό, καθώς δεν υπάρχει ανάγκη ανάπτυξης μοντέλων από την αρχή. Πρέπει να ανεβάσετε δεδομένα και να ορίσετε επιλογές μοντέλου σύμφωνα με τις σχετικές εργασίες. 

Ποιά είναι η παγίδα? Αυτοί οι τύποι μοντέλων δεν μπορούν να προσαρμοστούν. Οι δυνατότητες των μοντέλων περιορίζονται στις επιλογές που παρέχονται από μια δεδομένη υπηρεσία.

Χρήση προ-εκπαιδευμένων μοντέλων

Ένα προ-εκπαιδευμένο μοντέλο είναι ένα ήδη δημιουργημένο μοντέλο βαθιάς μάθησης που επιτελεί καθήκοντα παρόμοια με αυτά που θέλουμε να εκτελέσουμε. Δεν χρειάζεται να δημιουργήσουμε ένα μοντέλο από την αρχή, καθώς χρησιμοποιεί ένα εκπαιδευμένο μοντέλο βασισμένο στα δεδομένα μας.

Ένα προ-εκπαιδευμένο μοντέλο μπορεί να μην συμμορφώνεται 100% με όλες τις εργασίες μας, αλλά προσφέρει σημαντική εξοικονόμηση χρόνου και κόστους. Χρησιμοποιώντας μοντέλα που είχαν εκπαιδευτεί προηγουμένως σε μεγάλα σύνολα δεδομένων, μας επιτρέπει να προσαρμόσουμε αυτές τις λύσεις ανάλογα με το πρόβλημά μας. 

Ανάπτυξη μοντέλου βαθιάς εκμάθησης από το Scratch

Αυτή η μέθοδος είναι ιδανική για πολύπλοκα και ασφαλή συστήματα οπτικής επιθεώρησης. Η προσέγγιση μπορεί να είναι χρονοβόρα και επίπονη, αλλά τα αποτελέσματα αξίζουν τον κόπο. 

Κατά την ανάπτυξη προσαρμοσμένων μοντέλων οπτικής επιθεώρησης, οι επιστήμονες δεδομένων χρησιμοποιούν έναν ή περισσότερους αλγόριθμους όρασης υπολογιστή. Αυτά περιλαμβάνουν ταξινόμηση εικόνας, ανίχνευση αντικειμένων και τμηματοποίηση περιστατικών.

Πολλοί παράγοντες επηρεάζουν την επιλογή ενός αλγορίθμου βαθιάς εκμάθησης. Αυτά περιλαμβάνουν:

  • Επιχειρηματικοί στόχοι
  • Μέγεθος αντικειμένων/ελαττωμάτων 
  • Συνθήκες φωτισμού
  • Αριθμός προϊόντων προς έλεγχο
  • Τύποι ελαττωμάτων
  • Ανάλυση εικόνων

Ένα παράδειγμα κατηγοριών ελαττωμάτων:

Ας πούμε ότι αναπτύσσουμε ένα μοντέλο οπτικής επιθεώρησης για την αξιολόγηση της ποιότητας στα κτίρια. Η κύρια εστίαση είναι να εντοπιστούν ελαττώματα στους τοίχους. Ένα εκτεταμένο σύνολο δεδομένων είναι απαραίτητο για τη λήψη ακριβών αποτελεσμάτων οπτικής επιθεώρησης, καθώς οι κατηγορίες ελαττωμάτων μπορεί να είναι απίστευτα διαφορετικές, από ξεφλούδισμα χρώματος και μούχλας έως ρωγμές τοίχου. Η βέλτιστη προσέγγιση εδώ θα ήταν να αναπτυχθεί ένα μοντέλο βασισμένο σε κατάτμηση από την αρχή. Μια προ-εκπαιδευμένη προσέγγιση μοντέλου είναι επίσης βιώσιμη σε ορισμένες περιπτώσεις.

Ένα άλλο παράδειγμα είναι μια οπτική επιθεώρηση για τη φαρμακευτική παραγωγή, όπου θέλετε να διαφοροποιήσετε τις φυσαλίδες αέρα από τα σωματίδια σε προϊόντα όπως τα παχύρρευστα γονικά διαλύματα. Η παρουσία φυσαλίδων είναι η μόνη κατηγορία ελαττωμάτων εδώ, επομένως το απαιτούμενο σύνολο δεδομένων δεν θα είναι τόσο εκτεταμένο όσο στο παραπάνω παράδειγμα. Η βέλτιστη προσέγγιση ανάπτυξης μοντέλου βαθιάς εκμάθησης μπορεί να είναι η χρήση μιας υπηρεσίας ανάπτυξης μοντέλου για την ανάπτυξη μιας από την αρχή.

4. Εκπαιδεύστε και αξιολογήστε

Το επόμενο βήμα μετά την ανάπτυξη του μοντέλου οπτικής επιθεώρησης είναι να το εκπαιδεύσουμε. Σε αυτό το στάδιο, οι επιστήμονες δεδομένων επικυρώνουν και αξιολογούν την απόδοση και την ακρίβεια των αποτελεσμάτων του μοντέλου. Ένα δοκιμαστικό σύνολο δεδομένων είναι χρήσιμο εδώ. Ένα σύστημα οπτικής επιθεώρησης μπορεί να είναι ένα σύνολο εγγραφών βίντεο που είναι είτε ξεπερασμένα είτε παρόμοια με αυτά που θέλουμε να επεξεργαστούμε μετά την ανάπτυξη.

5. Ανάπτυξη και βελτίωση

Κατά την ανάπτυξη ενός μοντέλου οπτικής επιθεώρησης, είναι σημαντικό να λάβετε υπόψη τον τρόπο με τον οποίο οι αρχιτεκτονικές συστημάτων λογισμικού και υλικού αντιστοιχούν σε μια χωρητικότητα μοντέλου.

λογισμικό 

Η δομή του λογισμικού οπτικής επιθεώρησης βασίζεται στον συνδυασμό λύσεων ιστού για τη μετάδοση δεδομένων και ενός πλαισίου Python για επεξεργασία νευρωνικών δικτύων. 

Η βασική παράμετρος εδώ είναι η αποθήκευση δεδομένων. Υπάρχουν τρεις συνηθισμένοι τρόποι αποθήκευσης δεδομένων: σε τοπικό διακομιστή, υπηρεσία ροής cloud ή αρχιτεκτονική χωρίς διακομιστή. 

Ένα σύστημα οπτικής επιθεώρησης περιλαμβάνει την αποθήκευση εγγραφών βίντεο. Η επιλογή μιας λύσης αποθήκευσης δεδομένων εξαρτάται συχνά από μια λειτουργικότητα μοντέλου βαθιάς εκμάθησης. Για παράδειγμα, εάν ένα σύστημα οπτικής επιθεώρησης χρησιμοποιεί ένα μεγάλο σύνολο δεδομένων, η βέλτιστη επιλογή μπορεί να είναι μια υπηρεσία ροής cloud.

υλικού

Ανάλογα με τη βιομηχανία και τις διαδικασίες αυτοματισμού, οι συσκευές που απαιτούνται για την ενσωμάτωση του συστήματος οπτικής επιθεώρησης μπορεί να περιλαμβάνουν:

  • Φωτογραφική μηχανή: Η βασική επιλογή της κάμερας είναι η ροή βίντεο σε πραγματικό χρόνο. Ορισμένα παραδείγματα περιλαμβάνουν IP και CCTV.
  • Πύλη: Τόσο οι ειδικές συσκευές υλικού όσο και τα προγράμματα λογισμικού λειτουργούν καλά για ένα σύστημα οπτικής επιθεώρησης.
  • CPU/GPU: Εάν είναι απαραίτητα αποτελέσματα σε πραγματικό χρόνο, μια GPU θα ήταν η καλύτερη επιλογή από μια CPU, καθώς η πρώτη διαθέτει μεγαλύτερη ταχύτητα επεξεργασίας όταν πρόκειται για μοντέλα βαθιάς εκμάθησης που βασίζονται σε εικόνα. Είναι δυνατή η βελτιστοποίηση μιας CPU για τη λειτουργία του μοντέλου οπτικής επιθεώρησης, αλλά όχι για εκπαίδευση. Ένα παράδειγμα βέλτιστης GPU μπορεί να είναι το Τζέτσον Νάνο
  • Φωτόμετρο (προαιρετικά): Ανάλογα με τις συνθήκες φωτισμού του περιβάλλοντος συστήματος οπτικής επιθεώρησης, ενδέχεται να απαιτούνται φωτόμετρα.
  • Χρωματομετρητής (προαιρετικά): Κατά την ανίχνευση χρώματος και φωτεινότητας σε πηγές φωτός, τα χρωματόμετρα απεικόνισης έχουν σταθερά υψηλή χωρική ανάλυση, επιτρέποντας λεπτομερείς οπτικές επιθεωρήσεις. 
  • Θερμογραφική κάμερα (προαιρετικό): Σε περίπτωση αυτόματης επιθεώρησης αγωγών ατμού/νερού και εγκαταστάσεων είναι καλή ιδέα να έχετε δεδομένα θερμογραφικής κάμερας. Τα δεδομένα της θερμογραφικής κάμερας παρέχουν πολύτιμες πληροφορίες για τον εντοπισμό διαρροής θερμότητας/ατμού/νερού. Τα δεδομένα θερμικής κάμερας είναι επίσης χρήσιμα για επιθεώρηση θερμομόνωσης.
  • Drones (προαιρετικά): Στις μέρες μας είναι δύσκολο να φανταστεί κανείς αυτοματοποιημένο έλεγχο δυσπρόσιτων περιοχών χωρίς drones: εσωτερικά κτιρίων, αγωγούς φυσικού αερίου, οπτική επιθεώρηση δεξαμενόπλοιων, επιθεώρηση πυραύλων/λεωφορείων. Τα drones μπορεί να είναι εξοπλισμένα με κάμερες υψηλής ανάλυσης που μπορούν να κάνουν ανίχνευση ελαττωμάτων σε πραγματικό χρόνο.

Τα μοντέλα βαθιάς εκμάθησης είναι ανοικτά σε βελτίωση μετά την ανάπτυξη. Μια προσέγγιση βαθιάς μάθησης μπορεί να αυξήσει την ακρίβεια του νευρωνικού δικτύου μέσω της επαναληπτικής συλλογής νέων δεδομένων και μοντέλων επανεκπαίδευσης. Το αποτέλεσμα είναι ένα «πιο έξυπνο» μοντέλο οπτικής επιθεώρησης που μαθαίνει αυξάνοντας τα δεδομένα κατά τη λειτουργία.

Θήκες Χρήσης Οπτικής Επιθεώρησης

Φροντίδα Υγείας

Στον αγώνα κατά του COVID-19, τα περισσότερα αεροδρόμια και τα σημεία διέλευσης των συνόρων μπορούν πλέον να ελέγχουν τους επιβάτες για σημάδια της νόσου.

Baidu, η μεγάλη κινεζική εταιρεία τεχνολογίας, ανέπτυξε ένα σύστημα οπτικής επιθεώρησης μεγάλης κλίμακας βασισμένο στην τεχνητή νοημοσύνη. Το σύστημα αποτελείται από κάμερες βασισμένες στην όραση υπολογιστών και αισθητήρες υπέρυθρων που προβλέπουν τις θερμοκρασίες των επιβατών. Η τεχνολογία, σε λειτουργία Ο σιδηροδρομικός σταθμός Qinghe του Πεκίνου, μπορεί να προβάλει έως και 200 ​​άτομα ανά λεπτό. Ο αλγόριθμος AI ανιχνεύει όποιον έχει θερμοκρασία πάνω από 37.3 μοίρες.

Μια άλλη πραγματική περίπτωση είναι το σύστημα βαθιάς μάθησης που αναπτύχθηκε από το Alibaba Εταιρία. Το σύστημα μπορεί να ανιχνεύσει τον κορονοϊό στις αξονικές τομογραφίες θώρακος με ακρίβεια 96%. Με πρόσβαση σε δεδομένα από 5,000 περιπτώσεις COVID-19, το σύστημα πραγματοποιεί τη δοκιμή σε 20 δευτερόλεπτα. Επιπλέον, μπορεί να κάνει διάκριση μεταξύ συνηθισμένης ιογενούς πνευμονίας και κορωνοϊού.

Αερογραμμές

Σύμφωνα με την Boeing, το 70% της αγοράς αεροδιαστημικών υπηρεσιών ύψους 2.6 τρισεκατομμυρίων δολαρίων είναι αφιερωμένο στην ποιότητα και τη συντήρηση. Το 2018, η Airbus παρουσίασε ένα νέο αυτοματοποιημένο, σύστημα επιθεώρησης αεροσκαφών με βάση drone που επιταχύνει και διευκολύνει τις οπτικές επιθεωρήσεις. Αυτή η εξέλιξη μειώνει τον χρόνο διακοπής λειτουργίας των αεροσκαφών αυξάνοντας ταυτόχρονα την ποιότητα των εκθέσεων επιθεώρησης.

Αυτοκίνητο

Η Toyota συμφώνησε πρόσφατα σε διακανονισμό 1.3 δισεκατομμυρίων δολαρίων λόγω ελαττώματος που προκάλεσε την επιτάχυνση των αυτοκινήτων ακόμη και όταν οι οδηγοί προσπάθησαν να επιβραδύνουν, με αποτέλεσμα 6 θάνατοι στις ΗΠΑ Χρησιμοποιώντας τις γνωστικές δυνατότητες των συστημάτων οπτικής επιθεώρησης, όπως Cognex ViDi, οι κατασκευαστές αυτοκινήτων μπορούν να αναλύσουν και να εντοπίσουν ζητήματα ποιότητας με μεγαλύτερη ακρίβεια και να τα επιλύσουν πριν εμφανιστούν.

Κατασκευή εξοπλισμού υπολογιστών

Η ζήτηση για μικρότερα σχέδια κυκλωμάτων αυξάνεται. Η Fujitsu Laboratories πρωτοστατεί στην ανάπτυξη του Συστήματα αναγνώρισης με δυνατότητα τεχνητής νοημοσύνης για τη βιομηχανία ηλεκτρονικών ειδών. Αναφέρουν σημαντική πρόοδο σε ποιότητα, κόστος και παράδοση.

Ύφασμα

Η εφαρμογή αυτοματοποιημένης οπτικής επιθεώρησης και μια προσέγγιση βαθιάς εκμάθησης μπορούν πλέον να ανιχνεύσουν θέματα υφής, ύφανσης, ραφής και αντιστοίχισης χρωμάτων.

Για παράδειγμα, Σύστημα τεχνητής νοημοσύνης Datacolor μπορεί να λάβει υπόψη ιστορικά δεδομένα προηγούμενων οπτικών επιθεωρήσεων για να δημιουργήσει προσαρμοσμένες ανοχές που ταιριάζουν περισσότερο με τα δείγματα.

Θα ολοκληρώσουμε με ένα απόσπασμα από τον γενικό διευθυντή που αναφέραμε νωρίτερα: "Δεν έχει καμία διαφορά για μένα αν η προτεινόμενη τεχνολογία είναι η καλύτερη, αλλά με νοιάζει πόσο καλά θα λύσει τα προβλήματά μου."

Φωτοβολταϊκά

Είναι γνωστό ότι τα ηλιακά πάνελ υποφέρουν από σκόνη και μικρορωγμές. Ο αυτόματος έλεγχος των ηλιακών συλλεκτών κατά την κατασκευή και πριν και μετά την εγκατάσταση είναι μια καλή ιδέα για να αποτρέψετε την αποστολή ηλιακών συλλεκτών που δυσλειτουργούν και τον γρήγορο εντοπισμό κατεστραμμένων πάνελ στο ηλιακό σας αγρόκτημα. Για παράδειγμα, DJI Enterprise χρησιμοποιεί drones για επιθεώρηση ηλιακών συλλεκτών.

Έλεγχος αγωγού

Είναι γνωστό ότι οι αγωγοί φυσικού αερίου και πετρελαίου έχουν τεράστιο μήκος. Τα τελευταία στοιχεία από το 2014 δίνουν συνολικά λίγο λιγότερο από 2,175,000 μίλια (3,500,000 χιλιόμετρα) αγωγού σε 120 χώρες του κόσμου. Οι διαρροές αερίου και πετρελαίου μπορεί να οδηγήσουν σε μαζική βλάβη στη φύση από χημική ρύπανση, εκρήξεις και πυρκαγιές.

Η επιθεώρηση δορυφόρων και μη επανδρωμένων αεροσκαφών με τη βοήθεια τεχνικών όρασης υπολογιστή είναι ένα καλό εργαλείο για έγκαιρη ανίχνευση και εντοπισμό διαρροής αερίου/πετρελαίου. Πρόσφατα, το DroneDeploy αναφερθεί ότι χαρτογράφησαν περίπου 180 μίλια αγωγών.

Οπτική επιθεώρηση AI: Βασικά Takeaways

  1. Έννοια: Η οπτική επιθεώρηση βασίζεται στις παραδοσιακές μεθόδους όρασης υπολογιστή και την ανθρώπινη όραση.
  2. Επιλογή: Η προσέγγιση ανάπτυξης μοντέλου βαθιάς μάθησης εξαρτάται από την εργασία, τον χρόνο παράδοσης και τα όρια προϋπολογισμού.
  3. Αλγόριθμος: Οι αλγόριθμοι βαθιάς εκμάθησης εντοπίζουν ελαττώματα μιμούμενοι μια ανθρώπινη ανάλυση ενώ εκτελούμε ένα μηχανογραφικό σύστημα.
  4. Αρχιτεκτονική: Το λογισμικό και το υλικό πρέπει να αντιστοιχούν στην ικανότητα μοντέλου βαθιάς εκμάθησης.
  5. Κύρια ερώτηση: Κατά την έναρξη μιας οπτικής επιθεώρησης, το κύριο ερώτημα είναι "Τι ελαττώματα πρέπει να εντοπίσει το σύστημα;"
  6. Βελτιώσεις: Μετά την ανάπτυξη, το μοντέλο βαθιάς εκμάθησης γίνεται «πιο έξυπνο» μέσω της συσσώρευσης δεδομένων.

Πλάτωνας. Επανεκτίμησε το Web3. Ενισχυμένη ευφυΐα δεδομένων.
Κάντε κλικ εδώ για πρόσβαση.

Πηγή: https://www.iotforall.com/ai-visual-inspection-for-defect-detection-in-manufacturing

spot_img

Τελευταία Νοημοσύνη

spot_img