Machine learning kombineret med machine vision

Ordet "machine learning" bruges, når en computer efterligner "kognitive" funktioner, ofte forbundet med mennesker, såsom "læring" eller "problemløsning".

Læs om det helt grundlæggende i machine learning.

Machine learning implementeres ofte via et (konvolutionelt) neuralt netværk og kan overvåges eller køre uden opsyn.

Superviseret læring kan give solide resultater og betragtes ofte som den bedste tilgang, men det kræver mange annoterede træningsbilleder. Annotering er tidskrævende, og det kan være svært at få billeder på forhånd i en machine vision applikation.

JLI vision arbejder med "hybrid vision", som vi anser for at være en kombination af:

• Machine learning 
• Traditionel machine vision 
• Godt håndværk

Applikationer såsom måling af dimensioner og dybde kan udføres med traditionelt machine vision. Det er nemt at teste og kan udvides med yderligere funktioner.
Hybrid vision er den perfekte løsning til "æstetiske" applikationer. Æstetiske applikationer består i at sikre, at det færdige produkt lever op til forbrugernes forventninger.

Typiske fejl kan være ridser, huller eller farveafvigelser. I modsætning til målbare applikationer kan det være vanskeligt at definere objektive kravspecifikationer.

I praksis bliver gode og dårlige prøver indsamlet og brugt som referencer ved manuel inspektion.

Æstetiske applikationer forbliver ofte uløste på grund af manglerne ved traditionelt machine vision , men med "hybrid vision" er det i nogle tilfælde muligt.

Eksempel: Træinspektion

• Formål: Påvisning af knaster og harpikslommer i limplader
• Løsning: Limplader scannes på et transportbånd og behandles ved hjælp af en kombination af machine learning (afgør, om kandidaten er defekt), traditionelt machine vision (udvælger kandidater) og 3D (kontrollerer overfladen af limplader).
• Fordel: Løser en tidskrævende manuel inspektionsopgave på linjen i produktionen og muliggør fuldautomatisk reparation af limplader.
• Resultat: Opnået nøjagtighed +95%, hvilket er langt bedre og mere ensartet end manuel inspektion.

Eksempel: Glasinspektion

• Formål: Detektion af indesluttede åbne og lukkede luftblærer og linjer i glasrør.
• Løsning: Ved at bruge traditionelt machine vision findes alle defekter. Fejlene behandles derefter i realtid af machine learning for at afgøre, om glasfejlen er åben eller lukket.
• Fordel: Forbedrer udbyttet ved at reducere spild.
• Resultat: Opnået nøjagtighed +95 %

Eksempel: Stålinspektion

• Formål: Påvisning af defekter på overfladen af skinner direkte efter valsningen.
• Løsning: Skinner scannes, når de passerer gennem en opstilling af kameraer og projektører. Billeder behandles i realtid ved hjælp af en kombination af machine learning og traditionel visionteknik. AI netværket oplæres uden operatører.
• Fordel: Løser en tidskrævende manuel inspektionsopgave på produktionslinjen.
• Resultat: Opnået nøjagtighed +90%, hvilket er bedre og mere ensartet end manuel inspektion

Video: Automatisering af komplekse inspektionsopgaver

Lær mere om, hvordan vi arbejder med machine learning i denne episode af vores videoserie, The vision lab:   "How can you automate complex aesthetic inspection tasks?"