Przemysłowa kontrola jakości przechodzi radykalne zmiany. Podczas gdy systemy przetwarzania obrazu oparte na regułach lub ręczne inspekcje wizualne były powszechną praktyką od dziesięcioleci, wykorzystanie sztucznej inteligencji (AI) otwiera zupełnie nowe możliwości. Procesy oparte na sztucznej inteligencji rewolucjonizują przemysłowe przetwarzanie obrazu i sprawiają, że procesy produkcyjne są bardziej wydajne, solidne i opłacalne.
Odpowiednie oświetlenie zawsze było podstawowym wymogiem udanej aplikacji widzenia maszynowego – niezależnie od tego, czy jest to system oparty na regułach, czy wspierany przez sztuczną inteligencję. Istnieje jednak ciągłe błędne przekonanie, zwłaszcza w aplikacjach AI, że oświetlenie odgrywa podrzędną rolę, ponieważ sieć neuronowa może po prostu „zrekompensować” słabe warunki oświetleniowe podczas treningu. Do tej pory istniały dwa powszechne podejścia do optymalizacji aplikacji AI: Podejście skoncentrowane na modelu, które koncentruje się na optymalizacji architektury modelu i hiperparametrów, oraz podejście skoncentrowane na danych, które opiera się na zbiorze danych szkoleniowych, który jest tak wysokiej jakości i zrównoważony, jak to tylko możliwe. Niemniej jednak, rozwiązanie aplikacji w dziedzinie wizji maszynowej AI często konfrontuje firmy z niepotrzebnie długim czasem realizacji projektu i związanymi z tym wysokimi kosztami, które wynikają między innymi z dostępności ograniczonych danych szkoleniowych.
Wyzwaniom tym można sprostać dzięki ukierunkowanej strategii oświetleniowej. Wynika to z faktu, że dobrze zaplanowana i ustrukturyzowana strategia oświetlenia może zmniejszyć złożoność i zminimalizować problemy od samego początku. To „podejście skoncentrowane na oświetleniu” może sprawić, że modele AI ze zoptymalizowanym oświetleniem będą bardziej niezawodne i dokładne. Wynika to z faktu, że lepsza koncepcja oświetlenia sprawia, że szeroki zakres warunków środowiskowych jest bardziej kontrolowany i prowadzi do mniejszej zmienności obrazów. Oznacza to, że wymagana jest mniejsza liczba obrazów szkoleniowych, a system osiąga większą precyzję przy mniejszej ilości danych, jak pokazują dane od twórcy oprogramowania MVTec:
Przy tej samej liczbie obrazów, dokładność można zwiększyć z 89% do 97% przy odpowiednim oświetleniu. Ponadto, przy oświetleniu wysokiej jakości, dokładność 89% można było osiągnąć już na podstawie 45 obrazów zamiast 175 obrazów. Oznacza to, że ten sam wynik został osiągnięty przy użyciu tylko jednej czwartej danych obrazu. Wyniki te są szczególnie istotne, gdy ograniczone dane szkoleniowe są głównym wyzwaniem dla projektu przetwarzania obrazu opartego na sztucznej inteligencji. Krótko mówiąc, odpowiednie oświetlenie może być kluczem do sukcesu w wizji maszynowej – niezależnie od tego, czy stosowane jest podejście tradycyjne, czy oparte na sztucznej inteligencji. Właściwe oświetlenie pomaga obniżyć poziom błędów, zmniejszyć koszty i poprawić ogólną dokładność systemu.
Poniższy czteroetapowy plan umożliwia uzyskanie idealnego oświetlenia dla każdego zastosowania w przetwarzaniu obrazu. Pierwszym krokiem jest wybór odpowiedniej zasady oświetlenia. Celem wyboru właściwej metody jest podkreślenie istotnych szczegółów przy jednoczesnym tłumieniu niepożądanych informacji. Kompleksowe portfolio oświetlenia wenglor oferuje wybór różnych metod oświetlenia, w tym typowe zasady, takie jak jasne pole, ciemne pole, pierścień, tło i oświetlenie kopułkowe. W zależności od zastosowania, połączenie kilku zasad oświetlenia może również zapewnić najlepsze wyniki.
Po ustaleniu zasady działania, drugim krokiem jest określenie prawidłowej długości fali. Kolor źródła światła ma znaczący wpływ na wyświetlany obraz. Na przykład niebieskie światło podkreśla niebieskie i białe obszary, a tłumi inne, podczas gdy czerwone światło ma odwrotny efekt i wzmacnia wszystkie czerwone odcienie. Jeśli światło ma redukować drukowany tekst lub powłoki, dobrym wyborem jest światło podczerwone, które wnika głębiej w materiał i łagodzi efekty powierzchniowe. Jest ono często wykorzystywane w przemyśle tworzyw sztucznych do tworzenia „niewidocznych” odcisków w celu sprawdzenia powierzchni. Podczas dokonywania wyboru należy również rozważyć wady każdego rodzaju światła. Na przykład, chociaż białe światło zapewnia naturalne światło, jest bardzo wrażliwe na światło otoczenia, a zatem mniej łatwe do kontrolowania. Właściwy wybór barwy światła może zatem również pomóc w zmniejszeniu wariancji części testowych. Może to mieć pozytywny wpływ na ocenę w kolejnej sekwencji testów.
Oprócz wyboru oświetlenia, jakość obrazu można dodatkowo zoptymalizować za pomocą dodatkowych filtrów optycznych w czwartym kroku. Wszechstronne portfolio filtrów optycznych wenglor oferuje odpowiednie rozwiązanie dla każdego wymagania, od polaryzacji po filtry pasmowe i długopasmowe. Filtry polaryzacyjne pomagają zredukować odbicia na błyszczących powierzchniach. Filtry pasmowo-przepustowe, które przepuszczają tylko określone długości fal, są stosowane w celu zwiększenia kontrastu obrazu i poprawy odporności na światło otoczenia. W razie potrzeby filtry dolnoprzepustowe poprawiają obrazowanie w podczerwieni, blokując niepożądane źródła światła. Dostępne są również odpowiednie obiektywy, które można określić dla konkretnych zastosowań za pomocą kalkulatora wenglor Vision Calculator.
Postępując zgodnie z tymi czterema krokami, można stworzyć solidny system oświetlenia, który zapewni najlepszy możliwy punkt wyjścia dla aplikacji widzenia maszynowego. Podsumowując, odpowiednie oświetlenie nie tylko redukuje błędy i poprawia precyzję, ale także pomaga uczynić modele AI bardziej wydajnymi i zwiększyć ich zdolność do generalizacji.
Nazwa stanowiska