मैन्युफैक्चरिंग में आर्टिफिशियल इंटेलिजेंस एक ट्रेंडी टर्म है। एआई-आधारित दोष पहचान समाधानों का वर्णन करते समय, यह अक्सर गहन शिक्षण और कंप्यूटर दृष्टि पर आधारित दृश्य निरीक्षण तकनीक के बारे में होता है।

एक दृश्य निरीक्षण में डीप लर्निंग क्या है?

डीप लर्निंग कृत्रिम तंत्रिका नेटवर्क द्वारा संचालित मशीन लर्निंग तकनीक का एक पहलू है। डीप लर्निंग टेक्नोलॉजी का ऑपरेटिंग सिद्धांत उदाहरण के द्वारा सीखने के लिए मशीनों को पढ़ाना है। विशिष्ट डेटा प्रकारों के लेबल वाले उदाहरणों के साथ एक तंत्रिका नेटवर्क प्रदान करके, उन उदाहरणों के बीच सामान्य पैटर्न निकालना और फिर उन्हें गणित समीकरण में बदलना संभव है। यह जानकारी के भविष्य के टुकड़ों को वर्गीकृत करने में मदद करता है।

दृश्य निरीक्षण तकनीक के साथ, गहन शिक्षण एल्गोरिदम को एकीकृत करने से भागों, विसंगतियों और पात्रों को अलग करने की अनुमति मिलती है, जो एक कम्प्यूटरीकृत प्रणाली को चलाने के दौरान मानव दृश्य निरीक्षण की नकल करते हैं। 

तो, इसका वास्तव में क्या मतलब है? आइए एक उदाहरण का उपयोग करें:

यदि आप मोटर वाहन निर्माण के लिए एक दृश्य निरीक्षण सॉफ्टवेयर बनाना चाहते हैं, तो आपको एक गहन शिक्षण-आधारित एल्गोरिदम विकसित करना चाहिए और इसे उन दोषों के उदाहरणों के साथ प्रशिक्षित करना चाहिए जिन्हें इसका पता लगाना चाहिए। पर्याप्त डेटा के साथ, तंत्रिका नेटवर्क अंततः बिना किसी अतिरिक्त निर्देश के दोषों का पता लगा लेगा।

डीप लर्निंग-आधारित विज़ुअल इंस्पेक्शन सिस्टम उन दोषों का पता लगाने में अच्छे हैं जो प्रकृति में जटिल हैं। वे जटिल सतहों और कॉस्मेटिक दोषों को संबोधित करते हैं और भागों की सतहों का सामान्यीकरण और अवधारणा करते हैं।

एआई विजुअल इंस्पेक्शन सिस्टम को कैसे एकीकृत करें

1. समस्या बताएं

दृश्य निरीक्षण विकास अक्सर एक व्यवसाय और तकनीकी विश्लेषण से शुरू होता है। यहां लक्ष्य यह निर्धारित करना है कि सिस्टम को किस प्रकार के दोषों का पता लगाना चाहिए।

पूछने के लिए अन्य महत्वपूर्ण प्रश्नों में शामिल हैं:

• दृश्य निरीक्षण प्रणाली पर्यावरण क्या है?
• क्या निरीक्षण वास्तविक समय या स्थगित होना चाहिए? 
• दृश्य निरीक्षण प्रणाली को कितनी अच्छी तरह दोषों का पता लगाना चाहिए, और क्या इसे उन्हें प्रकार से अलग करना चाहिए?
• क्या कोई मौजूदा सॉफ्टवेयर है जो दृश्य निरीक्षण सुविधा को एकीकृत करता है, या क्या इसे खरोंच से विकास की आवश्यकता है?
• सिस्टम को पता चला दोषों के बारे में उपयोगकर्ता (उपयोगकर्ताओं) को कैसे सूचित करना चाहिए?
• क्या दृश्य निरीक्षण प्रणाली को दोषों का पता लगाने के आंकड़ों को रिकॉर्ड करना चाहिए?
• और मुख्य प्रश्न: क्या "अच्छे" और "बुरे" उत्पादों की छवियों और विभिन्न प्रकार के दोषों सहित गहन शिक्षण मॉडल विकास के लिए डेटा मौजूद है?

डेटा साइंस इंजीनियर अपने प्राप्त उत्तरों के आधार पर आगे बढ़ने के लिए इष्टतम तकनीकी समाधान और प्रवाह चुनते हैं।

2. डेटा इकट्ठा करें और तैयार करें

डेटा विज्ञान इंजीनियरों को गहन शिक्षण मॉडल विकास शुरू होने से पहले भविष्य के मॉडल को प्रशिक्षित करने के लिए आवश्यक डेटा एकत्र करना और तैयार करना चाहिए। निर्माण प्रक्रियाओं के लिए, IoT डेटा एनालिटिक्स को लागू करना महत्वपूर्ण है। दृश्य निरीक्षण मॉडल पर चर्चा करते समय, डेटा अक्सर वीडियो रिकॉर्ड होता है, जहां दृश्य निरीक्षण मॉडल द्वारा संसाधित छवियों में वीडियो फ़्रेम शामिल होते हैं। डेटा एकत्र करने के लिए कई विकल्प हैं, लेकिन सबसे आम हैं:

1. क्लाइंट द्वारा प्रदान किया गया मौजूदा वीडियो रिकॉर्ड लेना
2. परिभाषित उद्देश्यों के लिए लागू ओपन-सोर्स वीडियो रिकॉर्ड लेना
3. गहन शिक्षण मॉडल की आवश्यकताओं के अनुसार खरोंच से डेटा एकत्र करना

यहां सबसे महत्वपूर्ण पैरामीटर वीडियो रिकॉर्ड की गुणवत्ता हैं। उच्च गुणवत्ता वाले डेटा से अधिक सटीक परिणाम प्राप्त होंगे। 

एक बार जब हम डेटा इकट्ठा कर लेते हैं, तो हम इसे मॉडलिंग के लिए तैयार करते हैं, इसे साफ करते हैं, विसंगतियों की जांच करते हैं और इसकी प्रासंगिकता सुनिश्चित करते हैं।

3. डीप लर्निंग मॉडल विकसित करें

एक गहन शिक्षण मॉडल विकास दृष्टिकोण का चयन कार्य की जटिलता, आवश्यक वितरण समय और बजट सीमाओं पर निर्भर करता है। कई दृष्टिकोण हैं:

एक गहन शिक्षण मॉडल विकास सेवा का उपयोग करना (उदाहरण: Google क्लाउड एमएल इंजन, अमेज़ॅन एमएल, आदि)

इस प्रकार का दृष्टिकोण तब समझ में आता है जब दोष पहचान सुविधाओं की आवश्यकताएं किसी दी गई सेवा द्वारा प्रदान किए गए टेम्प्लेट के अनुरूप होती हैं। ये सेवाएं समय और बजट दोनों बचा सकती हैं क्योंकि नए सिरे से मॉडल विकसित करने की कोई आवश्यकता नहीं है। आपको डेटा अपलोड करना होगा और प्रासंगिक कार्यों के अनुसार मॉडल विकल्प सेट करने होंगे। 

क्या चालबाजी है? इस प्रकार के मॉडल अनुकूलन योग्य नहीं हैं। मॉडल की क्षमताएं किसी दी गई सेवा द्वारा प्रदान किए गए विकल्पों तक सीमित होती हैं।

पूर्व-प्रशिक्षित मॉडल का उपयोग करना

एक पूर्व-प्रशिक्षित मॉडल पहले से ही बनाया गया एक गहन शिक्षण मॉडल है जो उन कार्यों को पूरा करता है जो हम करना चाहते हैं। हमें शुरुआत से एक मॉडल बनाने की ज़रूरत नहीं है क्योंकि यह हमारे डेटा के आधार पर एक प्रशिक्षित मॉडल का उपयोग करता है।

एक पूर्व-प्रशिक्षित मॉडल हमारे सभी कार्यों का 100% अनुपालन नहीं कर सकता है, लेकिन यह महत्वपूर्ण समय और लागत बचत प्रदान करता है। बड़े डेटासेट पर पहले से प्रशिक्षित मॉडल का उपयोग करके हम अपनी समस्या के अनुसार इन समाधानों को अनुकूलित कर सकते हैं। 

स्क्रैच से डीप लर्निंग मॉडल डेवलपमेंट

यह विधि जटिल और सुरक्षित दृश्य निरीक्षण प्रणालियों के लिए आदर्श है। दृष्टिकोण समय और प्रयास-गहन हो सकता है, लेकिन परिणाम इसके लायक हैं। 

कस्टम दृश्य निरीक्षण मॉडल विकसित करते समय, डेटा वैज्ञानिक एक या कई कंप्यूटर विज़न एल्गोरिदम का उपयोग करते हैं। इनमें इमेज वर्गीकरण, ऑब्जेक्ट डिटेक्शन और इंस्टेंस सेगमेंटेशन शामिल हैं।

कई कारक एक गहन शिक्षण एल्गोरिदम की पसंद को प्रभावित करते हैं। इसमे शामिल है:

• व्यावसायिक लक्ष्य
• वस्तुओं / दोषों का आकार 
• प्रकाश की स्थिति
• निरीक्षण के लिए उत्पादों की संख्या
• दोषों के प्रकार
• छवियों का संकल्प

दोष श्रेणियों का एक उदाहरण:

मान लें कि हम इमारतों में गुणवत्ता मूल्यांकन के लिए एक दृश्य निरीक्षण मॉडल विकसित कर रहे हैं। मुख्य फोकस दीवारों पर दोषों का पता लगाना है। सटीक दृश्य निरीक्षण परिणाम प्राप्त करने के लिए एक व्यापक डेटासेट आवश्यक है, क्योंकि दोष श्रेणियां अविश्वसनीय रूप से विविध हो सकती हैं, जिसमें छीलने वाले पेंट और मोल्ड से लेकर दीवार की दरारें शामिल हैं। यहां इष्टतम दृष्टिकोण खरोंच से एक उदाहरण विभाजन-आधारित मॉडल विकसित करना होगा। कुछ मामलों में पूर्व-प्रशिक्षित मॉडल दृष्टिकोण भी व्यवहार्य है।

एक अन्य उदाहरण फार्मास्युटिकल निर्माण के लिए एक दृश्य निरीक्षण है, जहां आप अत्यधिक चिपचिपे पैतृक समाधान जैसे उत्पादों में कणों से हवा के बुलबुले को अलग करना चाहते हैं। बबल की उपस्थिति यहां एकमात्र दोष श्रेणी है, इसलिए आवश्यक डेटासेट उतना व्यापक नहीं होगा जितना कि ऊपर दिए गए उदाहरण में है। इष्टतम गहन शिक्षण मॉडल विकास दृष्टिकोण एक मॉडल विकास सेवा का उपयोग खरोंच से विकसित करने के लिए हो सकता है।

4. ट्रेन और मूल्यांकन

दृश्य निरीक्षण मॉडल विकसित करने के बाद अगला कदम इसे प्रशिक्षित करना है। इस चरण में, डेटा वैज्ञानिक मॉडल के प्रदर्शन और परिणाम सटीकता को मान्य और मूल्यांकन करते हैं। एक परीक्षण डेटासेट यहां उपयोगी है। एक दृश्य निरीक्षण प्रणाली वीडियो रिकॉर्ड का एक सेट हो सकता है जो या तो पुराने हैं या उनके समान हैं जिन्हें हम परिनियोजन के बाद संसाधित करना चाहते हैं।

5. तैनाती और सुधार

एक दृश्य निरीक्षण मॉडल को तैनात करते समय, यह विचार करना महत्वपूर्ण है कि सॉफ्टवेयर और हार्डवेयर सिस्टम आर्किटेक्चर एक मॉडल क्षमता से कैसे मेल खाते हैं।

सॉफ्टवेयर 

दृश्य निरीक्षण-संचालित सॉफ़्टवेयर की संरचना डेटा ट्रांसमिशन के लिए वेब समाधान और तंत्रिका नेटवर्क प्रसंस्करण के लिए एक पायथन ढांचे के संयोजन पर आधारित है। 

यहां मुख्य पैरामीटर डेटा स्टोरेज है। डेटा स्टोर करने के तीन सामान्य तरीके हैं: स्थानीय सर्वर पर, क्लाउड स्ट्रीमिंग सेवा, या सर्वर रहित आर्किटेक्चर। 

एक दृश्य निरीक्षण प्रणाली में वीडियो रिकॉर्ड का भंडारण शामिल है। डेटा संग्रहण समाधान का चुनाव अक्सर गहन शिक्षण मॉडल की कार्यक्षमता पर निर्भर करता है। उदाहरण के लिए, यदि एक दृश्य निरीक्षण प्रणाली एक बड़े डेटासेट का उपयोग करती है, तो इष्टतम चयन क्लाउड स्ट्रीमिंग सेवा हो सकती है।

हार्डवेयर

उद्योग और स्वचालन प्रक्रियाओं के आधार पर, दृश्य निरीक्षण प्रणाली को एकीकृत करने के लिए आवश्यक उपकरणों में शामिल हो सकते हैं:

• कैमरा: मुख्य कैमरा विकल्प रीयल-टाइम वीडियो स्ट्रीमिंग है। कुछ उदाहरणों में आईपी और सीसीटीवी शामिल हैं।
• गेटवे: एक दृश्य निरीक्षण प्रणाली के लिए समर्पित हार्डवेयर उपकरण और सॉफ्टवेयर प्रोग्राम दोनों अच्छी तरह से काम करते हैं।
• सीपीयू / जीपीयू: यदि वास्तविक समय के परिणाम आवश्यक हैं, तो सीपीयू की तुलना में जीपीयू बेहतर विकल्प होगा, क्योंकि छवि-आधारित गहन शिक्षण मॉडल की बात करें तो पूर्व में तेज प्रसंस्करण गति होती है। दृश्य निरीक्षण मॉडल के संचालन के लिए सीपीयू को अनुकूलित करना संभव है, लेकिन प्रशिक्षण के लिए नहीं। इष्टतम GPU का एक उदाहरण हो सकता है जेटसन नैनो. 
• दीप्तिमापी (वैकल्पिक): दृश्य निरीक्षण प्रणाली पर्यावरण की प्रकाश व्यवस्था की स्थिति के आधार पर, फोटोमीटर की आवश्यकता हो सकती है।
• colorimeter (वैकल्पिक): प्रकाश स्रोतों में रंग और चमक का पता लगाते समय, इमेजिंग वर्णमापकों में लगातार उच्च स्थानिक संकल्प होते हैं, जिससे विस्तृत दृश्य निरीक्षण की अनुमति मिलती है। 
• थर्मोग्राफिक कैमरा (वैकल्पिक): भाप/पानी की पाइपलाइनों और सुविधाओं के स्वचालित निरीक्षण के मामले में थर्मोग्राफिक कैमरा डेटा रखना एक अच्छा विचार है। थर्मोग्राफिक कैमरा डेटा गर्मी / भाप / पानी के रिसाव का पता लगाने के लिए बहुमूल्य जानकारी प्रदान करता है। थर्मल कैमरा डेटा गर्मी इन्सुलेशन निरीक्षण के लिए भी उपयोगी है।
• राजा (वैकल्पिक): आजकल ड्रोन के बिना दुर्गम क्षेत्रों के स्वचालित निरीक्षण की कल्पना करना कठिन है: आंतरिक निर्माण, गैस पाइपलाइन, टैंकर दृश्य निरीक्षण, रॉकेट / शटल निरीक्षण। ड्रोन उच्च रिज़ॉल्यूशन वाले कैमरों से लैस हो सकते हैं जो वास्तविक समय में दोष का पता लगा सकते हैं।

डीप लर्निंग मॉडल परिनियोजन के बाद सुधार के लिए खुले हैं। एक गहन शिक्षण दृष्टिकोण नए डेटा और मॉडल पुन: प्रशिक्षण के पुनरावृत्त संग्रह के माध्यम से तंत्रिका नेटवर्क की सटीकता को बढ़ा सकता है। परिणाम एक "स्मार्ट" दृश्य निरीक्षण मॉडल है जो ऑपरेशन के दौरान डेटा बढ़ाकर सीखता है।

दृश्य निरीक्षण उपयोग के मामले

हेल्थकेयर

COVID-19 के खिलाफ लड़ाई में, अधिकांश हवाई अड्डे और सीमा पार अब यात्रियों में बीमारी के लक्षणों की जांच कर सकते हैं।

Baidu, बड़ी चीनी टेक कंपनी ने एआई पर आधारित बड़े पैमाने पर दृश्य निरीक्षण प्रणाली विकसित की। सिस्टम में कंप्यूटर विजन-आधारित कैमरे और इन्फ्रारेड सेंसर होते हैं जो यात्रियों के तापमान की भविष्यवाणी करते हैं। प्रौद्योगिकी, परिचालन में बीजिंग का किंघे रेलवे स्टेशन, प्रति मिनट 200 लोगों की स्क्रीनिंग कर सकता है। एआई एल्गोरिथम 37.3 डिग्री से ऊपर के तापमान वाले किसी भी व्यक्ति का पता लगाता है।

एक और वास्तविक जीवन का मामला द्वारा विकसित गहन शिक्षण-आधारित प्रणाली है अलीबाबा कंपनी। सिस्टम 96% सटीकता के साथ चेस्ट सीटी स्कैन में कोरोनावायरस का पता लगा सकता है। 5,000 COVID-19 मामलों के डेटा तक पहुंच के साथ, सिस्टम 20 सेकंड में परीक्षण करता है। इसके अलावा, यह सामान्य वायरल निमोनिया और कोरोनावायरस के बीच अंतर कर सकता है।

एयरलाइंस

बोइंग के अनुसार, 70 ट्रिलियन डॉलर के एयरोस्पेस सेवा बाजार का 2.6% गुणवत्ता और रखरखाव के लिए समर्पित है। 2018 में, एयरबस ने एक नया स्वचालित पेश किया, ड्रोन आधारित विमान निरीक्षण प्रणाली जो दृश्य निरीक्षण में तेजी लाता है और सुविधा प्रदान करता है। यह विकास विमान के डाउनटाइम को कम करता है जबकि साथ ही निरीक्षण रिपोर्ट की गुणवत्ता में वृद्धि करता है।

मोटर वाहन

टोयोटा ने हाल ही में एक दोष के कारण 1.3 बिलियन डॉलर के समझौते पर सहमति व्यक्त की, जिसके कारण ड्राइवरों ने धीमा करने का प्रयास करने पर भी कारों को गति दी, जिसके परिणामस्वरूप अमेरिका में 6 मौतें हुईं, जैसे दृश्य निरीक्षण प्रणालियों की संज्ञानात्मक क्षमताओं का उपयोग करना कॉग्नेक्स ViDi, ऑटोमोटिव निर्माता गुणवत्ता के मुद्दों का अधिक सटीक रूप से विश्लेषण और पहचान कर सकते हैं और उनके होने से पहले उन्हें हल कर सकते हैं।

कंप्यूटर उपकरण निर्माण

छोटे सर्किट बोर्ड डिजाइनों की मांग बढ़ रही है। फुजित्सु प्रयोगशालाएं के विकास का नेतृत्व कर रही हैं एआई-सक्षम पहचान प्रणाली इलेक्ट्रॉनिक्स उद्योग के लिए। वे गुणवत्ता, लागत और वितरण में महत्वपूर्ण प्रगति की रिपोर्ट करते हैं।

कपड़ा

स्वचालित दृश्य निरीक्षण और एक गहन शिक्षण दृष्टिकोण का कार्यान्वयन अब बनावट, बुनाई, सिलाई और रंग मिलान के मुद्दों का पता लगा सकता है।

उदाहरण के लिए, डेटाकलर का एआई सिस्टम कस्टम सहिष्णुता बनाने के लिए पिछले दृश्य निरीक्षणों के ऐतिहासिक डेटा पर विचार कर सकते हैं जो नमूनों से अधिक निकटता से मेल खाते हैं।

हम महाप्रबंधक के एक उद्धरण के साथ समाप्त करेंगे जिसका हमने पहले उल्लेख किया था: "इससे मुझे कोई फर्क नहीं पड़ता कि सुझाई गई तकनीक सबसे अच्छी है, लेकिन मुझे परवाह है कि यह मेरी समस्याओं को कितनी अच्छी तरह हल करेगा।"

सौर पैनलों

सौर पैनल धूल और माइक्रोक्रैक से ग्रस्त होने के लिए जाने जाते हैं। निर्माण के दौरान और स्थापना से पहले और बाद में सौर पैनलों का स्वचालित निरीक्षण खराब सौर पैनलों के शिपमेंट को रोकने और आपके सौर फार्म पर क्षतिग्रस्त पैनलों का त्वरित पता लगाने के लिए एक अच्छा विचार है। उदाहरण के लिए, डीजेआई एंटरप्राइज ड्रोन का उपयोग करता है सौर पैनलों के निरीक्षण के लिए।

पाइपलाइन निरीक्षण

गैस और तेल पाइपलाइनों की लंबाई बहुत बड़ी होती है। 2014 का नवीनतम डेटा दुनिया के 2,175,000 देशों में कुल 3,500,000 मील (120 किमी) पाइपलाइन से थोड़ा कम देता है। गैस और तेल के रिसाव से रासायनिक प्रदूषण, विस्फोट और आग लगने से प्रकृति को भारी नुकसान हो सकता है।

कंप्यूटर विजन तकनीकों की मदद से सैटेलाइट और ड्रोन निरीक्षण गैस/तेल रिसाव का शीघ्र पता लगाने और स्थानीयकरण के लिए एक अच्छा उपकरण है। हाल ही में, ड्रोन डिप्लॉय की रिपोर्ट कि उन्होंने लगभग 180 मील की पाइपलाइनों की मैपिंग की।

एआई विजुअल इंस्पेक्शन: मुख्य तथ्य

1. संकल्पना: अल दृश्य निरीक्षण पारंपरिक कंप्यूटर दृष्टि विधियों और मानव दृष्टि पर आधारित है।
2. चुनाव: डीप लर्निंग मॉडल डेवलपमेंट अप्रोच कार्य, डिलीवरी समय और बजट सीमा पर निर्भर करता है।
3. कलन विधि: डीप लर्निंग एल्गोरिदम एक कम्प्यूटरीकृत प्रणाली चलाते समय मानव विश्लेषण की नकल करके दोषों का पता लगाता है।
4. आर्किटेक्चर: सॉफ्टवेयर और हार्डवेयर को डीप लर्निंग मॉडल क्षमता के अनुरूप होना चाहिए।
5. मुख्य प्रश्न: दृश्य निरीक्षण शुरू करते समय, मुख्य प्रश्न यह है कि "सिस्टम को किन दोषों का पता लगाना चाहिए?"
6. सुधार: परिनियोजन के बाद, डीप लर्निंग मॉडल डेटा संचय के माध्यम से "स्मार्ट" हो जाता है।

प्लेटोए. Web3 फिर से कल्पना की गई। डेटा इंटेलिजेंस प्रवर्धित।
एक्सेस करने के लिए यहां क्लिक करें।

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