+7 (495) 646-88-24
Rus
/Вопросы и ответы/Чем полезно глубокое обучение в машинном зрении

Чем полезно глубокое обучение в машинном зрении

Нейронные сети сейчас переживают эпоху ренессанса в своем развитии благодаря развитию технологий, сейчас о них много говорят и пишут... Однако, чем они могут быть полезны в машинном зрении уже давно известно. Но от нейросетей не стоит ждать "решения всех проблем" просто скормив нейросети множество снимков. Нейросеть очень мощный инструмент, но большинство промышленных задач требуют также измерений, сопоставлений, распознавания и т.д., то есть применения и классических алгоритмов машинного зрения. 

Применение

И все же, что может сделать искусственный интеллект в обработке изображений для систем визуальной инспекции:

1) Классификация – обучает нейронную сеть на нахождение интересующей вас части изображения. Например, после обучения на 10 000 снимках яблок с пометкой что это «яблоко» - нейросеть сможет на новом снимке яблока найти его. Тем самым нейросеть учится распознавать изображения и назначать им классы.

2) Распознавание объектов – локализует объекты по обученным классам и идентифицирует их с помощью окружающего прямоугольника (ограничительной рамки) с указанием ориентации. Способен находить соприкасающиеся и частично перекрытые объекты.

3) Сегментация – выделение областей интереса с точностью до пикселя. Позволяет обучить нейросеть находить определенные предметы или дефекты, например, сучки и трещины на деревянном шпоне. Данный инструмент позволит вам получить координаты данных дефектов, их контур и класс для дальнейшей обработки.

4) Обнаружение аномалий – легкий и быстрый алгоритм поиска дефекто, для обучения которого достаточно несколько сотен снимков. Технология способна безошибочно локализовать отклонения, то есть дефекты любого типа, на последующих после обучения изображениях. 

 

 

Задачи, которые необходимо решать искусственным интеллектом должны иметь большой разбег по своим параметрам. Так, например: почему на примере выше классифицируют фрукты? Задача отличить яблоко от груши для классических алгоритмов трудна - надо сопоставлять контур, цвет, текстуру и т.д., от фрукта к фрукту эти параметры меняются - в итоге решить ее искусственным интеллектом намного проще, чем классическими алгоритмами работы с пикселями. Аналогично с дефектами, например, сколы на сложной поверхности, будь то таблетки, изящная фарфоровая посуда, или даже железнодорожные рельсы - не простая задача для классических алгоритмов, но быстро решаемая инструментом "поиск аномалий" библиотеки Halcon

 

Deep learning


Глубокое изучение (Deep Learning)

Отдельно хотелось бы осветить тему OCR с DL - данное слияние технологий отлично показывает как искусственный интеллект позволяет обычным алгоритмам работать лучше. Благодаря глубокому обучению у алгоритма есть точная область обработки символов, и он знает что в ней должно быть определенное количество символов. 

Распознание текста без DL происходит во всех областях изображения, ввиду этого возможны артефакты, такие как: нахождение текста там, где его нет или превращение буквы B в число 13. С применением DL - вероятность распознавания лишнего снижается, а точность значительно возрастает. 

Подробнее про тонкости Deep Learning для обработки изображений вы можете узнать из следующего видео:

 
 
В заключение добавим, что нейронные сети - это мощный инструмент для предварительной обработки изображений, с последующим применением классических алгоритмов. И только метод Anomaly Detection предоставляет собой готовое решение для определенных задач. 

 

© 2013 -2020 ООО «Камера Ай-Кью»
Отправить заявку
Нажимая кнопку "Отправить", я даю согласие на обработку моих персональных данных в соответствии с условиями Пользовательского Соглашения