В эти предыдущие годы алгоритмы искусственного интеллекта (нейронные сети) были выдвинуты на передний план благодаря увеличению вычислительной мощности оборудования и маркировке огромных баз данных, что сделало возможным предварительное обучение этих алгоритмов. Благодаря подходящему обучению на тысячах помеченных данных, эти алгоритмы могут распознавать некоторые сложные шаблоны, такие как животные, автомобили, мосты и т. Д.

Это семейство алгоритмов можно отлично использовать в некоторых приложениях для промышленного контроля, и оно работает прямо сейчас! Необходимо соблюдать несколько золотых правил и принципов.

  • Такого рода алгоритмы - это не просто уже существующий «волшебный алгоритмический котел», который вы накормите данными, ожидая подходящего результата. Эти нейронные сети необходимо разработать и адаптировать к конкретной производственной деятельности. Следуя примеру когнитивного процесса человека, большую часть времени необходимо смешивать разные нейронные сети. Каждый из них посвящен определенной задаче: распознаванию, классификации, сегментации, количеству классов в картинках, параллельному или последовательному выполнению и т. Д.
  • Нет данных с пометкой качества, нет результата! Данные должны собираться и маркироваться в соответствии со строгим и постоянным процессом: получение одинакового расстояния и ориентации, одинаковое разрешение, одинаковая экспозиция, тот же оптический или инфракрасный датчик, отсутствие размытия и т. д. . Эту тему не нужно недооценивать, чтобы достичь хорошего уровня производительности.
  • Мы часто слышим, что для достижения высокого уровня автоматизации для обнаружения / описания изображений необходимы миллионы изображений или данных. Каждый промышленный случай уникален, но обычно нескольких тысяч изображений с метками достаточно, чтобы запустить автоматизацию. Sterblue и его промышленный партнер Omexom работали вместе над нейронной сетью, предназначенной для определения уровней коррозии и обнаружения изогнутых стержней на опорах сверхвысокого напряжения. Обучение проводилось только на 638 изображениях (что эквивалентно 3 башням). Результаты весьма обнадеживают: количество ложных отрицательных результатов (дефекты не обнаружены) составляет 2%, а количество ложных срабатываний (ложные срабатывания сигнализации) - 25%.

Достижение 100% уровня доверия к инструменту - это среднесрочный проект для промышленных предприятий, но этот вид инструмента может сэкономить время прямо сейчас для специалистов по работе в их повседневных задачах.