Mašinsko učenje

MAŠINSKO UČENJE

Automatska detekcija grešaka na proizvodima predstavlja vid unapređenja kontrole kvaliteta u industriji, kao i smanjenje faktora ljudske greške u procesu proizvodnje. Ovakav vid kontrole kvaliteta omogućava brzo prepoznavanje fabričkih grešaka na proizvodima koji se kreću na fabričkoj traci i opciono uklanjanje istih, što je veliko unapređenje u automatizaciji proizvodnje. Glavni problem u detekciji grešaka koje se pojavljuju na proizvodima je njihova vizuelna neistovetnost, kao i različite pozicije na kojima se mogu naći. Konvencionalne metode filtriranja slike i lokalizacije greške su u ovim slučajevima neupotrebljive, jer i mala odstupanja od pretpostavljenih defekata mogu uzrokovati neprepoznavanje greške na slici uzorka. Kako greška koja se može pojaviti na proizvodu nije predvidiva u smislu vrste, oblika i pozicije, kao rešenje problema može se koristiti mašinsko učenje u toku procesa proizvodnje. Ovakav vid učenja uključuje učešće operatera u treniranju sistema da prepoznaje greške različite vrste i oblika.

Metoda pozitivnog uzorka

Kao polazna tačka za treniranje može biti model pozitivnih uzoraka, koji se lako može prikupiti u toku proizvodnog procesa. Potrebno je prikupiti hiljadu ili više slika ispravnog proizvoda i takav set podataka uneti u process mašinskog učenja. Algoritam za mašinsko učenje vrši ekstrakciju vizuelnih karakteristika slike (prave linije, uglovi, tačke) i na osnovu njih pravi hipersferu pozitivnih karakteristika, zajedničkih za ceo set podataka (slika). Od ovih podataka se dobija model pozitivnih uzoraka. Vizuelne karakteristike koje odstupaju od ovog modela smatraju se greškom.

Nadzirano mašinsko učenje

Nakon što smo napravili polazni model za pozitivne uzorke, puštamo sistem da sam odlučuje da li uzorak pripada hipersferi pozitivnih uzoraka ili ne. Klasifikovane slike se čuvaju u folderima pozitivno i negativno. Nad ovim slikama vršimo klasifikaciju tačnosti, tako što vršimo potvrdu, da li je sistem klasifikacije dao ispravan rezultat. Od ovog trenutka dobijamo i negativni set podataka, tako da možemo formirati hipersferu negativnih vizuelnih karakteristika.

Sijamska neuralna mreža

Sada kada imamo dva modela, jedan za pozitivne karakteristike i jedan za negativne karakteristike, možemo klasifikovati sliku tako što gledamo procenat podudaranja sa negativnim ili pozitivnim modelom. Ukoliko slika preteže u negativni model, smatramo uzorak negativnim i obrnuto. Ovakav pristup klasifikaciji slike proizvoda zove se sijamska neuralna mreža.

Prednosti i mane

Prednost ovakvog pristupa je u potrebi za malim brojem negativnih uzoraka, što je prednost ukoliko se greške retko pojavljuju. Mane su potreba za vrlo konzistentnim slikama sa istim uglom i pozicijom na slici, kao i intenzitetom osvetljenja. Ovakva vrsta automatske detekcije greške moguća je kod slučajeva kada imamo vrlo mala odstupanja između slika pozitivnih uzoraka, u smislu rotacije, pozicije i osvetljenja.