Како вештачка интелигенција револуционише индустријску контролу квалитета
Вештачка интелигенција (ВИ) више није технологија будућности – она је саставни део модерних индустријских система за обраду слика. Од контроле квалитета и детекције дефеката до оптичког препознавања знакова: методе подржане ВИ омогућавају поуздано, брзо и аутоматско решавање сложених визуелних задатака.
Али које се специфичне вештачке интелигенције користе? И како се разликују по својој функционалности и области примене?
1. Класификација
Темељ сваке анализе слике коју подржава вештачка интелигенција
Током класификације, слика или део слике се додељује једној или више унапред дефинисаних класа. Вештачка интелигенција тако препознаје „шта“ је видљиво на слици – на пример, одређени објекат, категорију компоненте или стање квара.
Прави се разлика између класификације са више класа и класификације са више ознака :
Класификација у више класа
Овде се свака слика може доделити само једној класи .
Пример:
- Препознавање објекта: „шраф“
- Класификација грешке: „ОК“ (без недостатака) или „НОК“ (неисправно)
Класе се међусобно искључују. Вијак не може бити и „ОК“ и „НОК“ у исто време.
Ова врста класификације се често користи у инспекцији квалитета или
Класификација са више ознака
Насупрот томе, са класификацијом са више ознака, слика може припадати неколико класа истовремено .
Пример:
- Препознавање објеката: „шраф“ и „ексер“
- Класификација дефеката: „Удубљење“ и „Огреботина“
Пошто се ове карактеристике међусобно не искључују, објекат може имати више врста дефеката истовремено.
Ова метода је идеална за сложене анализе квалитета у којима је потребно паралелно открити више карактеристика или недостатака .
2. Препознавање објеката
Где се објекти налазе – не само шта су.
Док класификација процењује целу слику, детекција објеката иде корак даље: детектује више објеката на слици , лоцира их и сваком од њих додељује класу.
Позиције су описане такозваним граничним оквирима . Сваки оквир означава где се објекат налази и којој категорији припада.
Постоје две врсте:
Оријентисано препознавање објеката
Овде се граничне кутије подешавају према стварној оријентацији објекта. Ово омогућава прецизно детектовање чак и објеката који леже под углом или се ротирају – велика предност за примене са променљивим положајима, као што су компоненте на транспортним тракама.
Детекција објеката паралелних са осама
Ограничивајући оквири су поравнати паралелно са осама слике . Ова метода је рачунски ефикасна и добро је погодна за стандардизоване објекте са јасном оријентацијом.
Препознавање објеката је посебно корисно за задатке као што су:
- Бројање и позиционирање компоненти
- Детекција позиционих одступања
- Аутоматизовано сортирање и паковање
3. Сегментација
Анализа прецизности пиксела за максималну тачност
Сегментација је најпрефињенија фаза анализе слике коју подржава вештачка интелигенција. Овде се не само да објекат препознаје као целина, већ се сваком појединачном пикселу на слици додељује класа.
Резултат: Прецизно разграничење објеката, подручја и зона грешака.
Примери:
- Раздвајање „шрафа“, „ексера“ и „позадине“
- Детекција мањих оштећења боје, огреботина или контаминације
Ова метода је посебно ефикасна када је потребна тачност детаља – на пример код контроле површина , испитивања заварених шавова или оптичке контроле квалитета премаза и филмова.
4. Посебне примене: Дубоко препознавање знања (Deep OCR) и други модели вештачке интелигенције (AI)
Када машински вид постане читање
Поред успостављених модела за класификацију, препознавање објеката и сегментацију, све више компанија се ослања на моделе вештачке интелигенције обучене за специфичне апликације .
Један пример је оптичко препознавање знакова (OCR) коришћењем дубоког учења – скраћено Deep OCR .
Док се традиционални OCR системи ослањају на јасно структуриране фонтове и једнообразне позадине, Deep OCR користи дубоке неуронске мреже обучене на великим количинама слика из стварног света . Ово омогућава систему да:
- Препознавање слова и бројева са променљивом величином фонта
- Читање текста на неравним или сјајним површинама
- Чак и правилно тумачење оштећених или измењених отисака
Ова технологија је прекретница за апликације као што су:
- Читање етикета, баркодова и серијских бројева
- Верификација идентификације серије
- Следљивост у производњи
Закључак
Вештачка интелигенција чини индустријску обраду слика паметнијом, прецизнијом и флексибилнијом.
Интеграција вештачке интелигенције у индустријску обраду слика омогућава потпуно нове сценарије примене.
- Класификација одређује шта је објекат.
- Препознавање објекта одређује где се он налази.
- Сегментација га одваја од позадине са прецизношћу савршеном до пиксела .
- Дубоко ОЦР чита шта је написано на њему.
Модерне паметне камере и сензори вида, који већ интегришу алгоритме за процену подржане вештачком интелигенцијом, омогућавају брже, поузданије и адаптивније пројектовање процеса.
