Специализирайте сензорните функционалности с дълбоко обучение

2023 Автор: Hannah Pearcy | [email protected]. Последно модифициран: 2023-08-25 03:36

Изкуственият интелект (AI) не е същият като изкуствения интелект: по-скоро този термин събира различни технологии за много различни приложения, от машинен превод до разпознаване на лице. В индустрията дълбокото обучение като под-област на машинно обучение (машинно обучение) е може би най-важната бъдеща технология в областта на изкуствения интелект и в дългосрочен план като двигател на Industry 4.0.

Дълбокото обучение се среща с интелигентните камери

Sick използва задълбочено обучение, за да специализира функционалността на сензорите по специфичен за приложение начин. Интелигентните камери могат да решават все по-взискателни приложения с големи количества данни, изкуствени невронни мрежи, обучени в индустриалната среда. Интегрирането на алгоритми за задълбочено обучение в софтуер за анализ и обработка на изображения позволява автоматично да се разпознават, проверяват или класифицират обучени обекти или функции.

Благодарение на интелигентната функционална специализация на сензорите, е възможно в обработката на храни и дървесина, наред с други неща, да се увеличи използването на материали, да се спре изхабяването на ресурси и да се подобри качеството на продуктите и процесите. В логистичната автоматизация камерите за дълбоко обучение могат да оценяват подреждащите тави за наличието на плоски пощенски чанти и действителната им заетост чрез оценка на научената база от изображения или да идентифицират обекти, разположени до или един върху друг като отделни единици на колана. Благодарение на задълбоченото обучение сензорите предоставят разузнавателни услуги, които по-рано бяха запазени за хората - например откриване и оценка на структури или функции, които сензорът записва в този вид за първи път по време на работа.

Дълбокият учебен процес обединява експертни знания

Повечето от проектите за задълбочено обучение, с които в момента се занимава Sick, идват от производствени приложения или оптична проверка на качеството. За да може да оцени ефективно различните приложения, компанията е разработила многоетапен стандартен процес като част от вътрешна инициатива за задълбочено обучение, в която съществено участват както експертите по дълбоко обучение от Sick, така и експертите по процесите и качеството на клиента.

СЕМИНАРЕН СЪВЕТ Обработката на изображения е ключова индустриална технология. Семинарът „Влизането в индустриална обработка на изображения” дава необходимите знания, за да влезете в темата.

Още информация

Дори ако съвременните 2D и 3D камери стават по-бързи и по-мощни, класическите алгоритми за обработка на изображения все още са в границите на днешния ден. От гледна точка на машинното обучение единственият въпрос, който възниква, е, че критериите са недвусмислени: Могат ли да бъдат достатъчно ясно идентифицирани и интерпретирани с помощта на голям брой изображения, добри и лоши примери? От гледна точка на експертите на клиентите, какво е добро или лошо, да се отговори с да или не, поносимо или не или по отношение на определени критерии i. ОК или не? Може ли изобщо даден опит или знания за оценка на знанието да се предоставят като разузнавателна услуга от сензора?

Ако тези въпроси обикновено се оценяват положително от съответния техник по приложението, придобиването и анотирането на много изображения от опитен човек създава базата данни за обучение за по-късните алгоритми за задълбочено обучение в сензорите.

Учете се успешно с подходящи данни за обучение

Невронните мрежи се състоят от слоеве. Нивото на абстракция се увеличава, от конкретни детайли на изображението до по-груби концепции в последователността на слоевете. Това също означава, че мрежата може да обработва данни, които никога не са били виждани досега, с голяма степен на вероятност. Невронната мрежа се научава да решава дадена задача с подходящи тренировъчни данни.

Отворените рамки обикновено са достъпни за развитие на задълбочено обучение за определяне и обучение на невронни мрежи. Тези рамки са разработени без конкретно позоваване на сензори или обработка на изображения. Именно тук ноу-хауто на Сик започва да изследва границите на сензорната технология с задълбочено обучение. Резултатът е сензори, които поемат задачи, които по-рано биха могли да бъдат решени само от хора.

Прехвърляне на дълбоки функционални функции на сензор

За разлика от процеса на разработване на класически алгоритъм, който се характеризира главно с ръчното разработване на подходящо представяне на характеристики, невронната мрежа се обучава за оптимални функции за своята задача и може да се преквалифицира с подходящи данни отново и отново, за да се адаптира към новите обстоятелства адаптира.

Изкуственият интелект като маяк на надеждата за машиностроенето

Sick използва независима, мощна компютърна и информационна база като изпълняваща единица за изграждане на записа на данните за тренировките чрез заснемане на хиляди изображения и примери, както и за обучение на невронните мрежи. Цялостно изчисляване на сложните операции на решението за дълбоко обучение за обучение се извършва на специално оборудвани вътрешни компютри с висока производителност на графичния процесор (Graphics Processing Unit). Новите алгоритми за дълбоко обучение, генерирани от това, се предоставят локално на сензора и по този начин са достъпни незабавно и не са безопасни, например при интелигентна камера.

Приложение за задълбочено обучение в обработката на дървесина

Приложение за задълбочено обучение бе внедрено наскоро в обработката на дървесина като пример. Позицията на годишните пръстени върху отрязаните краища на дъските е тренирана с помощта на голям брой снимки, показващи грубо нарязани дъски с ръбове на дървото. Целта беше да се използва програмируема камера от семейството продукти на Inspector P65x, за да се разпознае хода на годишните пръстени и по този начин въртящото се положение на дъските. От това обучение камерата може да оцени нови, непознати изображения и да ги присвои на резултат. Дълбокото обучение я научи как най-добре да използва дървата - задача, която иначе се прави от опитни хора. По този начин дървесината сега се позиционира в машината по такъв начин, че да се постигне оптимална обработка и оползотворяване на материалите.

С внедряването на задълбочено обучение в избрани сензори и сензорни системи Sick възпламенява следващата стъпка в AppSpace, нова сензорна софтуерна концепция, която създава адаптивни и устойчиви на бъдеще решения за приложения за автоматизация след екосистемата Sick AppSpace. Предстоящите продукти за дълбоко обучение, чието персонализиране генерира реална добавена стойност за потребителя, естествено включват допълнителни сензори за обработка на изображения и камери.

Концепцията за специализиран сензор с изкуствен интелект по принцип може да се прилага и за прости сензори като индуктивни превключватели за близост, фотоелектрични рефлексни превключватели, ултразвукови сензори и други. Освен това системните решения като все по-усъвършенстваната класификация на превозните средства на платните станции предлагат потенциал за дълбоко класиране и класификация на превозни средства в класове на пътни такси. В същото време е важно да оставим стари пътища, да прекъснем границите и да направим нови възможни: използването на невронни мрежи и възможността за независимо генериране на знания от опит ще отвори нови когнитивни области и ще даде възможност на немислими по-рано приложения, които правят процесите по-ефективни и продуктивни.

EMO Хановер 2019: зала 9, щанд F32

СЪВЕТ ЗА КНИГАТА Книгата „Индустриални сензори“описва развитието и практическото приложение на най-важните сензори. Чрез свързания с приложението анализ на грешки на измервателни системи, сензори и сензорни системи, всеки допълнен от много подробни, напълно изчислени примери за приложение, книгата е подходяща не само за студенти, но и за инженери и техници от различни дисциплини.

VDI проучване

Защо Германия губи връзка с изкуствения интелект

Инж. (FH) Андреас Беренс, ръководител на продуктовото управление на баркод RFID Vision, SICK AG, Reute

Klemens Wehrle, ръководител на системи за следи и следи, изследвания и развитие, SICK AG, Waldkirch

* Андреас Беренс е ръководител на продуктово управление на баркод RFID Vision в Sick AG в Reute. Klemens Wehrle е ръководител на системи за проследяване и проследяване, изследвания и развитие в Sick AG в Waldkirch.