SISTEMI ZAŠTITE
Bulevar Arsenija Čarnojevića 166,
Novi Beograd
Pozovite nas za konsultacije
011 40 64 100
061 66 31 555
Bulevar Arsenija Čarnojevića 166,
Novi Beograd
Pozovite nas za konsultacije
011 40 64 100
061 66 31 555
Otkrivanje defektnih proizvoda i njihovo blagovremeno uklanjanje iz proizvodnog procesa predstavlja izazov u optimalnom povezivanju hardvera i softvera sistema mašinske vizije. Najčešći problem koji se javlja u ovom procesu je nedostatak negativnih uzoraka kao šablona za identifikaciju grešaka.
Uloga mašinskog učenja je presudna u projektovanju i izradi sistema vizuelne inspekcije. Ovaj proces omogućava prepoznavanje grešaka proizvoda sa minimalnom količinom negativnih uzoraka. Osnovna karakteristika i cilj ovog pristupa problemu je generalizacija vizuelnih karakteristika i pronalaženje defekata na celoj površini proizvoda, bez obzira što nemamo potpuno podudaranje sa negativnim uzorcima. Kako mašinsko učenje iziskuje maksimalne performanse hardvera za obradu slika u kratkom vremenskom okviru, u ove svrhe se koriste grafički procesori koji poseduju veliku količinu jezgara koji se koriste u paralelnoj obradi podataka. Najčešće se koriste Nvidia grafički procesori dizajnirani specijalno za tu namenu.
Takođe postoje i specijalna softverska okruženja koja se koriste u svrhu formiranja veštačke neuralne mreže, koja se koristi kao matrica za upoređivanje slika preuzetih sa trake sa negativnim slikama preuzetim u procesu definisanja grešaka koje se javljaju na proizvodu.Po pristupu problemu, postoje nenadzirano, polunadzirano i nadzirano mašinsko učenje.
Nenadzirano mašinsko učenje zasniva se na generativnom mašinskom učenju. Kao ulaz koriste se pozitivne slike u većoj količini i znatno manja količina negativnih slika. Dalje sistem na osnovu negativnih uzoraka generiše devijaciju na slici, koja se upoređuje sa pozitivnim i negativnim slikama i određuje se kojoj klasi više pripada. Na ovaj način sistem se uči da prepoznaje negativne ulaze na osnovu male količine ponuđenih negativnih uzoraka.
Nadzirano mašinsko učenje vrši se tako što se sistem utrenira na određenoj količini negativnih i pozitivnih slika. Korekcija se vrši u samom procecu eksploatacije uređaja, tako što operater označava slike koje su nepravilno klasifikovane, iste te slike se ponovo vraćaju na treniranje neuralne mreže. Ovaj postupak traje dok sistem ne postigne zahtevanu tačnost, nakon toga dobija tražene performanse potrebne za automatsku detekciju greške.
Polunadzirano mašinsko učenje vrši se na isti način kao i nadzirano, ali uz dodatak generativne funkcije gde sistem na osnovu novo klasifikovanih uzoraka generiše devijacije na slici, i na taj način unosi dodatne negativne uzorke koje sam stvara. Ovim procesom se postižu najbolje performanse u slučajevima male količine negativnih uzoraka.
