Искусственный интеллект (ИИ) - это не то же самое, что искусственный интеллект: скорее, этот термин объединяет разные технологии для самых разных приложений, от машинного перевода до распознавания лиц. В промышленности глубокое обучение как подраздел машинного обучения (машинное обучение), вероятно, является наиболее важной будущей технологией в области искусственного интеллекта и в долгосрочной перспективе в качестве движущей силы индустрии 4.0.
Глубокое обучение встречается с интеллектуальными камерами
Sick использует глубокое обучение, чтобы специализировать функциональность датчиков в зависимости от приложения. Интеллектуальные камеры могут решать все более требовательные приложения с большими объемами обученных данных, искусственными нейронными сетями в промышленной среде. Интеграция алгоритмов глубокого обучения в программное обеспечение для анализа и обработки изображений позволяет автоматически распознавать, проверять или классифицировать обученные объекты или функции.
Благодаря интеллектуальной функциональной специализации датчиков, в пищевой и деревообрабатывающей промышленности можно, среди прочего, увеличить использование материалов, прекратить тратить ресурсы и улучшить качество продуктов и процессов. В области автоматизации логистики камеры глубокого обучения могут оценивать сортировочные лотки на наличие плоских почтовых мешков и их фактическую занятость путем оценки базы изученного изображения или идентифицировать объекты, лежащие рядом или друг над другом, как отдельные элементы на ленте. Благодаря глубокому обучению датчики предоставляют разведывательные услуги, которые ранее были зарезервированы для людей - например, обнаружение и оценка структур или функций, которые датчик регистрирует в этой форме впервые во время работы.
Глубокий рабочий процесс обучения объединяет экспертные знания
Большинство проектов глубокого обучения, которыми в настоящее время занимается Sick, связаны с производственными приложениями или оптическим контролем качества. Чтобы иметь возможность эффективно оценивать различные приложения, компания разработала внутреннюю инициативу глубокого обучения в качестве стандарта многоуровневого процесса, в котором значительную роль играют как эксперты по глубокому обучению из Sick, так и эксперты по качеству и качеству заказчика.
СОВЕТ ПО СЕМИНАРУ Обработка изображений является ключевой промышленной технологией. Семинар «Вступление в индустриальную обработку изображений» привносит необходимые знания, чтобы попасть в тему.
Следующая информация
Даже если современные 2D и 3D камеры становятся все быстрее и мощнее, классические алгоритмы обработки изображений все еще являются ограничением сегодняшнего дня. С точки зрения машинного обучения, единственный вопрос, который возникает, заключается в том, что критерии однозначны: могут ли они быть достаточно четко определены и интерпретированы с использованием большого количества изображений, хороших и плохих примеров? С точки зрения экспертов заказчика, что хорошо или что плохо, нужно ответить «да» или «нет», терпимо или нет, или в отношении определенных критериев Хорошо или не хорошо? Может ли сенсор вообще предоставлять в качестве разведывательной службы опыт или способность человека на основе знаний?
Если эти вопросы, как правило, оцениваются соответствующим инженером-прикладником положительно, получение и аннотирование многих изображений опытным человеком создает базу данных обучения для более поздних алгоритмов глубокого обучения в датчиках.
Учиться успешно с подходящими данными обучения
Нейронные сети состоят из слоев. Уровень абстракции увеличивается, от конкретных деталей изображения до более грубых понятий в последовательности слоев. Это также гарантирует, что сеть может обрабатывать данные, которые никогда не были видны ранее с высокой вероятностью. Нейронная сеть учится решать поставленную задачу с подходящими данными обучения.
Открытые структуры, как правило, доступны для развития глубокого обучения для определения и обучения нейронных сетей. Эти рамки были разработаны без какой-либо конкретной ссылки на датчики или обработку изображений. Вот где ноу-хау Sick начинает изучать пределы сенсорных технологий с глубоким обучением. Результатом являются датчики, которые выполняют задачи, которые ранее могли решать только люди.
Передача функций глубокого обучения на датчик
В отличие от процесса разработки классического алгоритма, который в основном характеризуется ручной разработкой подходящего представления признаков, нейронная сеть обучается оптимальным функциям для своей задачи и может повторно и снова переучиваться на подходящих данных для адаптации к новым обстоятельствам адаптироваться.
Искусственный интеллект как маяк надежды для машиностроения
Sick использует независимый, высокопроизводительный компьютер и ИТ-базу в качестве исполнительного устройства для создания записи обучающих данных путем захвата тысяч изображений и примеров, а также для обучения нейронных сетей. Обширные вычисления сложных операций решения глубокого обучения для обучения происходят на специально оборудованных внутренних компьютерах с высокой производительностью графического процессора (Graphics Processing Unit). Новые алгоритмы глубокого обучения, созданные на основе этого, становятся доступными локально на датчике и, таким образом, доступны немедленно и безотказно, например, на интеллектуальной камере.
Применение глубокого обучения в обработке древесины
В качестве примера в области обработки древесины недавно было применено приложение для глубокого обучения. Положение годичных колец на обрезанных краях досок было изучено с использованием большого количества рисунков, показывающих грубо обрезанные доски с краями деревьев. Цель состояла в том, чтобы использовать программируемую камеру из семейства продуктов Inspector P65x, чтобы распознать ход годовых колец и, таким образом, положение вращающихся досок. Благодаря этому обучению камера может оценивать новые, неизвестные изображения и присваивать им результат. Глубокое обучение научило ее, как лучше всего использовать дрова - задача, которую в противном случае выполняют опытные люди. Таким образом, древесина теперь размещается в машине таким образом, что достигается оптимальная обработка и использование материала.
С внедрением глубокого обучения в отдельных сенсорах и сенсорных системах Sick запускает следующий шаг в AppSpace, новой концепции сенсорного программного обеспечения, которая создает адаптируемые и перспективные решения для приложений автоматизации после эко-системы Sick AppSpace. Предстоящие продукты глубокого обучения, настройки которых создают реальную добавленную стоимость для пользователя, естественно, включают дополнительные датчики обработки изображений и камеры.
Концепция специализированного датчика с искусственным интеллектом может в принципе также применяться к простым датчикам, таким как индуктивные бесконтактные переключатели, фотоэлектрические рефлекторные переключатели, ультразвуковые датчики и другие. Кроме того, системные решения, такие как все более сложная классификация транспортных средств на платных станциях, предлагают потенциал для углубленной классификации на основе обучения и классификации транспортных средств по платным классам. В то же время важно оставить старые пути, преодолеть границы и сделать новые возможными: использование нейронных сетей и возможность независимо генерировать знания из опыта откроют новые области познания и позволят ранее немыслимым приложениям сделать процессы более эффективными и продуктивными.
EMO Ганновер 2019: зал 9, стенд F32
СОВЕТ КНИГИ Книга «Промышленные датчики» описывает разработку и практическое применение наиболее важных датчиков. Благодаря прикладному анализу ошибок измерительных систем, датчиков и сенсорных систем, каждый из которых дополняется множеством подробных, полностью рассчитанных примеров применения, книга подходит не только для студентов, но и для инженеров и техников из различных дисциплин.
Опрос VDI
Почему Германия теряет связь с искусственным интеллектом
Дипл. (FH) Андреас Беренс, руководитель отдела управления продуктами RFID Vision, SICK AG, Reute
Клеменс Верле, руководитель отдела систем отслеживания, исследований и разработок, SICK AG, Вальдкирх
* Андреас Беренс (Andreas Behrens) является руководителем отдела управления штрих-кодами RFID Vision в Sick AG в Рейте. Клеменс Верле - руководитель отдела систем отслеживания, исследований и разработок в Sick AG в Вальдкирхе.