A mesterséges intelligencia jelenleg az ipari képfeldolgozás egyik legfontosabb témája. Ugyanakkor az MI önmagában nem cél – és nem helyettesíti a klasszikus, szabályalapú folyamatokat.
A kulcskérdés inkább az: Melyik technológia oldja meg egy adott feladatot a legmegbízhatóbb, leghatékonyabb és legskálázhatóbb módon?
Különösen olyan alkalmazásokban, ahol természetes ingadozások, összetett felületek, változó megjelenések vagy nehezen világosan leírható hibaminták találhatók, a klasszikus szabályalapú megközelítések egyre inkább elérik a határaikat. Pontosan itt játszhatnak ki az MI-alapú módszerek az erősségeiket.
Azonban nemcsak a jó neurális hálózat képzése elengedhetetlen. Az igazi kihívás gyakran utólag kezdődik:
- Hogyan jut egy modell megbízhatóan a fejlesztési környezetből a gyártásba?
- Hogyan működik ipari szintű hardveren?
- És hogyan lehet értelmesen kombinálni az MI és a klasszikus képfeldolgozás?
Pontosan itt jön képbe Wenglor gépi látásmódja.
Ahol a szabályalapú képfeldolgozás eléri a határait
A klasszikus képfeldolgozás még mindig rendkívül hatékony technológia. Ha a jellemzőket világos szabályok szerint lehet leírni – például geometriák, élek, kontrasztok, pozíciók vagy rögzített tűrések alapján –, akkor a determinisztikus módszerek gyakran a legjobb választások. Érthetőek, hatékonyak és reprodukálható eredményeket adnak.
Nehezebbé válik, ha a valóság már nem illeszkedik szépen rögzített szabályokba. Például egy komponens funkcionálisan hibátlan lehet, és mégis kissé eltérhet színben, felületi szerkezetben vagy anyagban. A hibaminták másképp nézhetnek ki vagy nehezen leírhatók matematikaiban. Az élelmiszeriparban természetes ingadozásokat adnak hozzá, valamint felületellenőrzések, tükröződések, textúrák vagy véletlenszerű struktúrák. Itt kínálhat a mélytanulás döntő hozzáadott értéket.
Ahelyett, hogy minden funkciót kifejezetten programozna, a neurális hálózat megtanulja a releváns kapcsolatokat függetlenül felismerni a mintaadatok alapján. Olyan alkalmazások, mint a hibafelismerés, osztályozás, felületellenőrzés, idegen objektumok észlelése vagy teljességkontroll így sokkal könnyebben megvalósíthatók.
A cél nem az, hogy a klasszikus képfeldolgozást mesterséges intelligenciával helyettesítsék. Sok ipari alkalmazásban a erő pontosan a mindkét megközelítés kombinációjában rejlik.
Képtől a kiképzett modellig – a wenglor AI Lab
A wenglor AI Lab felhőalapú környezetet biztosít, amely mesterséges intelligencia modellek létrehozására és képzésére használható gépi látás alkalmazásokhoz. A munkafolyamat az adatokkal kezdődik. Képek gyűjthetők, rendezhetők és jegyzetelhetők. A modellt ezután egy nagy teljesítményű felhőinfrastruktúrán képezik ki, anélkül, hogy a felhasználó saját hardverére lenne szükség számítási szempontból megterhelt képzési folyamatokhoz.
A tényleges képzésen túl az érvényesítés és az átláthatóság is fontos szerepet játszik.
A modelleket külön adathalmazok alapján lehet áttekinteni, és az eredményeket célzott módon lehet értékelni. A hőtérképek segítenek megérteni, hogy a modell a kép mely területeire fókuszál a döntés meghozatalakor. Ez megkönnyíti annak felmérését, hogy a modell valóban megtanulta-e a releváns struktúrákat, vagy nem kívánatos jellemzőkre reagál.
Ez strukturált folyamatot hoz létre a nyers képtől a validált AI modellig.
Az ipari felhasználók számára azonban egy másik lépés kulcsfontosságú: a telepítés.
Az MI hurok: Hidak a felhő és a termelés között
Egy MI modell csak akkor van valódi ipari értékkel, ha megbízhatóan használható gyártási környezetben. A wenglor AI Loop tehát ötvözi a felhőalapú képzést a helyi végrehajtással ipari gépi látás hardveren.
Az uniVision 3-mal a képek közvetlenül a gépen készülnek, és elérhetővé teszik a képzés céljából. a weHub teremti a kapcsolatot a helyi gyártási hálózat és az AI labor között. A betanítási adatok átvihetők a felhőbe, és a kész modelleket visszajuttatják a gyártási környezetbe.
A tényleges következtetés – azaz a képek értékelése a kitanított modell által – helyben történik az edge hardveren.
Ez két világot köt össze: az egyik oldalon rugalmas és hatékony felhőforrásokat adatkezeléshez és képzéshez, másrészt pedig a robusztus és gyors helyi feldolgozást.
Ez a szétválasztás különösen hasznos ipari alkalmazásokban. A képzési folyamatok központilag is elvégezhetők, a modellek iteratív módon fejleszthetők, miközben a gyártás helyben és rövid válaszidővel folytatódik.
Integráld saját AI modelljeidet – nyílt integráció az ONNX-en keresztül
Egy másik fontos szempont a nyitottság. Nem minden vállalat szeretné előre meghatározott képzési környezetben fejleszteni AI modelljeit. Sok vállalat, rendszerintegrátor és adattudományi csapat már rendelkezik munkafolyamatokkal, és olyan keretrendszereket használnak, mint a PyTorch vagy a TensorFlow. Az open ONNX formátum lehetővé teszi, hogy ilyen külső fejlesztésű modelleket integráljanak a wenglor gépi látás munkafolyamatába.
Ez egy második lehetőséget is teremt az AI Lab mellett: a felhasználók fenntarthatják meglévő gyors prototípusozási vagy adat-tudományos folyamataikat, majd a betanított modellt ipari szintű hardveren telepíthetik.
Pontosan ez a kapcsolat az, ami szerintem különösen fontos. Az innováció gyakran nyílt szoftveres és mesterséges intelligencia ökoszisztémákban zajlik. A termelés viszont szabványosított, robusztus és hosszú távú ipari platformokat igényel. Az ONNX hidat teremt e két világ között, míg a wenglor biztosítja a megfelelő hardver- és szoftverstruktúrát az MI modellek hatékony végrehajtásához ipari szintű környezetben.
Ipari Edge telepítés
Az alkalmazástól függően a modell különböző hardverplatformokon futtatható.
Például az Smart Camera B60 lehetővé teszi az AI következtetéseket közvetlenül egy kompakt ipari kamerán belül, és dedikált hardvergyorsítással rendelkezik az AI alkalmazásokhoz. Gépi látásvezérlők elérhetők olyan alkalmazásokhoz, ahol magasabb számítási igény, több kamera vagy összetettebb feldolgozási láncok vannak. Itt az MI értékelés, a klasszikus algoritmusok és más gépi látás funkciók együtt hajthatók végre. Nagy előny, hogy az MI-t nem kell elszigetelten vizsgálni.
Az uniVision-on belül a neurális hálózatok kombinálhatók klasszikus módszerekkel. Például egy alkalmazás először szabályok alapján határozhat meg egy pozíciót, majd egy képterületet egy AI modellel osztályozhat, majd az eredményt további determinisztikus ellenőrzési lépésekkel köti össze.
A gyakorlatban éppen az ilyen hibrid megközelítések gyakran különösen hatékonyak.
A technológiától a valódi ipari hozzáadott értékig
A releváns alkalmazások sokfélék. Az AI minőségellenőrzésekben, hibaészlelésben, osztályozásban, teljesség-ellenőrzésben, felületelemzésben vagy idegen objektumok észlelésében is használható, többek között.
A döntő ügyfélelőnyt nemcsak egy jobb MI modell hozza létre. Ez egy végpontig terjedő folyamaton keresztül jön létre: az adatgyűjtéstől a képzésen és validáción át a gépen történő megbízható végrehajtásig.
Én szemszögemből éppen ez a képesség válik egyre fontosabbá a következő években.
Az MI továbbra is megalapozza magát a gépi látásban – de nem elszigetelt technológiaként. A sikeres megoldások ötvözik az MI-t, a klasszikus képfeldolgozást, az edge computing-et és az ipari hardvert.
Az AI Lab, az AI Loop, az open ONNX integráció, az uniVision és a skálázható edge platformok révén a wenglor pontosan ezt a megközelítést követi: az AI ötlettől az ipari alkalmazásig a gyári padlón.
És pontosan itt döntenek el a végső sor, hogy egy ígéretes MI prototípus megbízható gépi látásmódgá válik-e.
További cikkeket találsz az ipari képfeldolgozásban a mesterséges intelligenciáról a fókuszterületen
