Πώς η τεχνητή νοημοσύνη φέρνει επανάσταση στον έλεγχο βιομηχανικής ποιότητας
Η τεχνητή νοημοσύνη (AI) δεν αποτελεί πλέον θέμα του μέλλοντος – αποτελεί αναπόσπαστο μέρος των σύγχρονων βιομηχανικών συστημάτων επεξεργασίας εικόνας. Από τον ποιοτικό έλεγχο έως τον εντοπισμό ελαττωμάτων έως την οπτική αναγνώριση χαρακτήρων: Οι διαδικασίες που υποστηρίζονται από AI καθιστούν δυνατή την επίλυση πολύπλοκων οπτικών εργασιών αξιόπιστα, γρήγορα και αυτόματα.
Ποιες τεχνολογίες τεχνητής νοημοσύνης όμως χρησιμοποιούνται με συγκεκριμένους όρους; Και πώς διαφέρουν ως προς τη λειτουργικότητα και το πεδίο εφαρμογής τους;
1. Ταξινόμηση
Το θεμέλιο οποιασδήποτε ανάλυσης εικόνας με τεχνητή νοημοσύνη
Η ταξινόμηση είναι η διαδικασία ανάθεσης μιας εικόνας ή ενός τμήματος μιας εικόνας σε μία ή περισσότερες προκαθορισμένες κλάσεις. Το AI αναγνωρίζει «τι» μπορεί να φανεί στην εικόνα – όπως ένα συγκεκριμένο αντικείμενο, μια κατηγορία εξαρτημάτων ή μια κατάσταση σφάλματος.
Γίνεται διάκριση μεταξύ ταξινόμησης πολλαπλών κλάσεων και ταξινόμησης πολλαπλών ετικετών:
Ταξινόμηση πολλαπλών τάξεων
Εδώ, κάθε εικόνα μπορεί να αντιστοιχιστεί μόνο σε μία κλάση .
Παράδειγμα:
- Ανίχνευση αντικειμένου: “Βίδα”
- Ταξινόμηση σφαλμάτων: “OK” (χωρίς ελαττώματα) ή “NOK” (ελαττωματικό)
Τα μαθήματα αλληλοαποκλείονται. Μια βίδα δεν μπορεί να είναι “OK” και “NOK” ταυτόχρονα.
Αυτός ο τύπος ταξινόμησης χρησιμοποιείται συχνά σε ποιοτικούς ελέγχους ή
Ταξινόμηση πολλαπλών ετικετών
Αντίθετα, με την ταξινόμηση πολλαπλών ετικετών, μια εικόνα μπορεί να ανήκει σε πολλές κλάσεις ταυτόχρονα .
Παράδειγμα:
- Ανίχνευση αντικειμένου: “Βίδα” και “Καρφί”
- Ταξινόμηση σφαλμάτων: “χτύπημα” και “γρατσουνιά”
Επειδή αυτά τα χαρακτηριστικά δεν αλληλοαποκλείονται, ένα αντικείμενο μπορεί να έχει πολλούς τύπους ελαττωμάτων ταυτόχρονα.
Αυτή η μέθοδος είναι ιδανική για σύνθετες αναλύσεις ποιότητας όπου πρέπει να εντοπιστούν παράλληλα πολλαπλά χαρακτηριστικά ή ελαττώματα .
2. Αναγνώριση αντικειμένων
Πού βρίσκονται τα αντικείμενα – όχι μόνο τι είναι
Ενώ η ταξινόμηση αξιολογεί ολόκληρη την εικόνα, η ανίχνευση αντικειμένων προχωρά ένα βήμα παραπέρα: ανιχνεύει πολλά αντικείμενα στην εικόνα, τα εντοπίζει και εκχωρεί μια κλάση σε καθένα από αυτά.
Οι θέσεις περιγράφονται από τα λεγόμενα πλαίσια οριοθέτησης . Κάθε πλαίσιο επισημαίνει πού βρίσκεται ένα αντικείμενο και σε ποια κατηγορία ανήκει.
Γίνεται διάκριση μεταξύ δύο τύπων:
Ανίχνευση προσανατολισμένων αντικειμένων
Εδώ, τα πλαίσια οριοθέτησης προσαρμόζονται στον πραγματικό προσανατολισμό του αντικειμένου. Αυτό σημαίνει ότι ακόμη και αντικείμενα που έχουν κλίση ή περιστροφή μπορούν να ανιχνευθούν με ακρίβεια – ένα μεγάλο πλεονέκτημα για εφαρμογές με μεταβλητές θέσεις, όπως εξαρτήματα σε μεταφορικούς ιμάντες.
Ανίχνευση άξονα-παράλληλου αντικειμένου
Τα πλαίσια οριοθέτησης στοιχίζονται παράλληλα με τους άξονες της εικόνας . Αυτή η μέθοδος είναι υπολογιστικά αποτελεσματική και είναι κατάλληλη για τυποποιημένα αντικείμενα με σαφή προσανατολισμό.
Η ανίχνευση αντικειμένων είναι ιδιαίτερα χρήσιμη για εργασίες όπως:
- Στοιχεία μέτρησης και τοποθέτησης
- Ανίχνευση αποκλίσεων θέσης
- Αυτοματοποιημένη διαλογή και συσκευασία
3. Τμηματοποίηση
Ανάλυση τέλεια pixel για μέγιστη ακρίβεια
Η τμηματοποίηση είναι το καλύτερο επίπεδο ανάλυσης εικόνας με τεχνητή νοημοσύνη. Εδώ, όχι μόνο το αντικείμενο αναγνωρίζεται ως σύνολο, αλλά εκχωρείται μια κλάση σε κάθε μεμονωμένο pixel της εικόνας.
Το αποτέλεσμα: ακριβής οριοθέτηση αντικειμένων, περιοχών και περιοχών ελαττωμάτων.
Παραδείγματα:
- Διαχωρισμός “βίδας”, “καρφιού” και “φόντου”
- Ανίχνευση λεπτών ελαττωμάτων βαφής, γρατσουνιών ή βρωμιάς
Αυτή η μέθοδος είναι ιδιαίτερα αποτελεσματική όταν απαιτείται προσοχή στη λεπτομέρεια – για παράδειγμα, στην επιφανειακή επιθεώρηση, στην επιθεώρηση ραφών συγκόλλησης ή στον οπτικό ποιοτικό έλεγχο επιστρώσεων και μεμβρανών.
4. Ειδικές εφαρμογές: Deep OCR και άλλα μοντέλα AI
Όταν η όραση του υπολογιστή γίνεται ανάγνωση
Εκτός από τα καθιερωμένα μοντέλα ταξινόμησης, αναγνώρισης αντικειμένων και τμηματοποίησης, όλο και περισσότερες εταιρείες βασίζονται σε εκπαιδευμένα μοντέλα τεχνητής νοημοσύνης για συγκεκριμένες εφαρμογές.
Ένα παράδειγμα είναι η οπτική αναγνώριση χαρακτήρων (OCR) με χρήση βαθιάς μάθησης – Deep OCR για συντομία.
Ενώ τα κλασικά συστήματα OCR βασίζονται σε σαφώς δομημένες γραμματοσειρές και ομοιόμορφο φόντο, το Deep OCR χρησιμοποιεί βαθιά νευρωνικά δίκτυα που έχουν εκπαιδευτεί σε μεγάλες ποσότητες εικόνων πραγματικού κειμένου . Αυτό επιτρέπει στο σύστημα να:
- Αναγνώριση γραμμάτων και αριθμών με μεταβλητό μέγεθος γραμματοσειράς
- Ανάγνωση κειμένου σε ανώμαλες ή γυαλιστερές επιφάνειες
- Ερμηνεύστε σωστά ακόμη και κατεστραμμένα ή παραμορφωμένα αποτυπώματα
Αυτή η τεχνολογία αποτελεί ορόσημο για εφαρμογές όπως:
- Ανάγνωση ετικετών, γραμμωτών κωδίκων και σειριακών αριθμών
- Επαλήθευση των σημάνσεων παρτίδας
- Ιχνηλασιμότητα στην παραγωγή
Συμπέρασμα
Η τεχνητή νοημοσύνη κάνει τη μηχανική όραση πιο έξυπνη, πιο ακριβή και πιο ευέλικτη
Η ενσωμάτωση της τεχνητής νοημοσύνης στη βιομηχανική επεξεργασία εικόνας επιτρέπει εντελώς νέα σενάρια εφαρμογών.
- Η ταξινόμηση αναγνωρίζει τι είναι ένα αντικείμενο.
- Η ανίχνευση αντικειμένου καθορίζει πού βρίσκεται.
- Η τμηματοποίηση το διαχωρίζει από το φόντο με ακρίβεια pixel .
- Το Deep OCR διαβάζει ό,τι είναι γραμμένο σε αυτό.
Με σύγχρονες έξυπνες κάμερες και αισθητήρες όρασης, οι οποίοι ήδη ενσωματώνουν αλγόριθμους αξιολόγησης που υποστηρίζονται από AI, οι διαδικασίες μπορούν να γίνουν ταχύτερες, πιο αξιόπιστες και πιο προσαρμοστικές .
