Strona www.adaptive-vision.com używa plików cookie do obsługi użytkowników oraz do celów statystycznych.
Zgodnie z nowymi przepisami mamy obowiązek Państwa o tym poinformować.
Szczegółowe informacje znajdą Państwo w naszej polityce prywatności.

Zamknij tę informację
POL ENG GER 中文

Moduł Deep Learning

Wprowadzenie

Moduł Deep Learning to prawdziwa rewolucja na rynku systemów wizyjnych. To zestaw gotowych do użycia narzędzi, które trenuje się poprawnymi i niepoprawnymi przykładami, i które automatycznie wykrywają defekty lub cechy. Wewnętrznie moduł korzysta z rozległych struktur sieci neuronowych, zaprojektowanych i zoptymalizowanych przez naszych ekspertów do użycia w przemysłowych systemach inspekcji wizyjnej. Ta złożona funkcjonalność została jednak zamknięta w prostych do użycia filtrach, z przystępnymi dla użytkownika graficznymi narzędziami i tylko paroma wymaganymi parametrami. Dzięki temu proces trenowania jest prosty.

Moduł Deep Learning wprowadza w życie główne założenia Adaptive Vision:

Intuitive - można z niego korzystać bez znajomości języków programowania

Powerful - pozwala na okiełznanie zaawansowanych możliwości sieci neuronowych

Adaptable - modele deep learning mogą zostać ponownie wytrenowane by badać nowe cechy.

Kluczowe fakty

Dane treningowe

Typowy program wymaga od 20 do 50 obrazów treningowych.

Sprzęt

Szybkie trenowanie i wykonanie algorytmu wymagają nowoczesnego procesora graficznego.

Szybkość

Zakładając użycie GPU, standardowy czas trenowania wynosi 5 minut, a wykonanie standardowej inspekcji trwa 200 ms.

Deep Learning vs Metody klasyczne

Deep Learning to nowa metoda pozwalająca na pokonanie wyzwań stawianych systemom wizyjnym, których nie dało się rozwiązać metodami klasycznymi. Jednak istnieją zadania, które nadal mogą być zrealizowane jedynie przez zastosowanie klasycznych metod. Jak zdecydować, które podejście będzie skuteczniejsze? Oto krótki przewodnik:

Deep Learning

Metody klasyczne

Typowe zastosowania:

    • Inspekcja powierzchni (pęknięcia, zadrapania)
    • Inspekcja żywności, roślin, drewna
    • Plastiki, formy wtryskowe
    • Inspekcja tekstyliów
    • Obrazowanie medyczne

Typowe zastosowania:

    • Pomiary wymiarów
    • Odczyt kodów
    • Kontrola obecności elementu
    • Sterowanie robotem
    • Inspekcja druku

Typowe cechy:

    • Obiekty giętkie
    • Zmienna orientacja
    • Klient dostarcza ograniczoną specyfikację, ale przedstawiającą poprawne i niepoprawne elementy
    • 99% niezawodności

Typowe cechy:

    • Obiekty sztywne
    • Ustalona orientacja
    • Klient dostarcza sformalizowaną specyfikację z zakresami tolerancji
    • 100% niezawodności

Proces trenowania

1. Zbierz i znormalizuj obrazy

    • Uzyskaj 20 - 50 obrazów pokazujących poprawne i niepoprawne przykłady i reprezentujących wszystkie możliwe wariacje obiektów; zachowaj je na dysku.
    • Zadbaj o to, aby skala, orientacja oraz oświetlenie obiektów były jak najbardziej jednolite.
  • 2. Trenowanie

    • Użyj filtra DeepLearning_ClassifyFeatures lub DeepLearning_DetectAnomalies.
    • Otwórz edytor Deep Learning.
    • Załaduj obrazy treningowe.
    • Oznacz obrazy jako poprawne lub niepoprawne (tryb nienadzorowany), lub oznacz defekty narzędziami do rysowania (tryb nadzorowany).
    • Kliknij “Trenuj”.
  • 3. Wykonaj

    • Uruchom program i zweryfikuj wyniki.
  • Dane treningowe i walidacyjne

    W uczeniu głębokim, tak jak w pozostałych gałęziach uczenia maszynowego, stosowanie poprawnej metodologii jest niezwykle istotne. Najważniejszą zasadą jest oddzielenie danych treningowych od danych walidacyjnych. Dane treningowe to zestaw obrazów wykorzystany do trenowania modelu. Dane te nie mogą być wykorzystane do mierzenia wydajności modelu, jako że często rezultatem takiego postępowania są nierealistycznie dobre wyniki. Konieczne jest zatem użycie osobnego zbioru danych - danych walidacyjnych - do poprawnej oceny modelu. Nasze narzędzie głębokiego uczenia automatycznie tworzy oba zbiory danych na podstawie obrazów wskazanych przez użytkownika.

    Przykłady zastosowań: tryb nadzorowany

    W trybie nadzorowanym użytkownik musi oznaczyć piksele przedstawiające defekty na obrazach treningowych. Nasze narzędzie uczy się odróżniać poprawne i niepoprawne cechy przez obserwację ich kluczowych właściwości.

    Inspekcja paneli fotowoltaicznych

    Podczas inspekcji paneli słonecznych program ma za zadanie wykrycie pęknięć i rys na niejednorodnej powierzchni. Przy użyciu klasycznych metod wymagałoby to zastosowania skomplikowanych algorytmów i dziesiątek parametrów, które należałoby dostrajać do każdego rodzaju paneli. W przypadku uczenia głębokiego wystarczy wytrenować system w trybie nadzorowanym, używając tylko jednego narzędzia.

    Segmentacja zdjęć satelitarnych

    Zdjęcia satelitarne są trudne do analizy ze względu na obecność wielu różnych elementów. Nasz moduł Deep Learning może zostać wytrenowany, aby bardzo precyzyjnie wykrywać drogi i budynki. Trenowanie może być przeprowadzone za pomocą tylko jednego poprawnie oznaczonego obrazu, a wyniki można zweryfikować natychmiast. Dodaj więcej oznaczonych próbek, aby zwiększyć poprawność modelu.

    Inspekcja tekstyliów

    Materiały tekstylne mogą mieć wiele różnych wzorów, ale wszystkie dotyka podobny problem: defekty występują na tle ze złożoną teksturą. Stosując technologię głębokiego uczenia użytkownik może zdefiniować wiele klas defektów i oznaczyć je na przykładowych obrazach. Kiedy trening się zakończy, klasyfikacja odbywa się automatycznie, co umożliwia wykrycie nawet trudno widocznych defektów.

    Inspekcja ciastek

    Nie ma dwóch takich samych ciastek, ale klienci oczekują, że jedna rzecz się nie zmieni: pokrycie czekoladą będzie idealne. Jak zdefiniować defekt? Po prostu zbierz obrazy wadliwych ciastek i oznacz na nich to co jest z nimi nie tak. Nasze oprogramowanie nauczy się odróżniać defekty i skutecznie wskaże je na produkcie.

    Badanie powierzchni marmuru

    Wykrywanie pęknięć na marmurze może być trudnym zadaniem, ponieważ z natury jego powierzchnia jest niejednorodna. Nasze oprogramowanie jest w stanie skutecznie odróżnić pęknięcia od nieregularnych wzorów. Wszystko co musisz zrobić to pobrać parę obrazów przykładowych, zaznaczyć pęknięcia i wytrenować model.

    Sęki

    Jednym z kluczowych czynników branych pod uwagę przy klasyfikacji drewna jest liczba i rozmiar sęków. Z Adaptive Vision Deep Learning w parę minut możesz przygotować niezawodną aplikację do wykrywania i pomiaru sęków. Znajomość języków programowania nie jest wymagana. Po prostu dodaj próbki obrazów i analizuj wyniki filtrami.

    Przykłady zastosowań: tryb nienadzorowany

    W trybie nienadzorowanym proces trenowania jest prostszy. Nie ma tu konkretnej definicji defektu – narzędzie jest trenowane za pomocą poprawnych próbek. Na ich podstawie wszelkie odchylenia są wskazywane na badanych obrazach.

    Weryfikacja opakowań

    Kiedy opakowanie z sushi jest dostarczone do sprzedawcy, wszystkie elementy muszą znajdować się w określonych miejscach. Defekty są trudne do zdefiniowania kiedy kształt poprawnych sztuk również może się zmieniać. Można ten problem rozwiązać stosując uczenie głębokie w trybie nienadzorowanym, który wykrywa wszystkie znaczące odchylenia od tego czego narzędzie nauczyło się podczas trenowania.

    Plastiki, formy wtryskowe

    Formowanie wtryskowe to skomplikowany proces, na drodze którego może wystąpić wiele problemów. Obiekty wykonane z plastiku mogą być podatne na zginanie lub inne deformacje, które są akceptowalne dla klienta. Nasz moduł Deep Learning potrafi nauczyć się wszystkich akceptowalnych zniekształceń na podstawie dostarczonych próbek, a następnie może wykryć odchylenia wszelkiego typu na linii produkcyjnej.