Inteligentna produkcja / Smart ProductionSystemy wizyjne stają się inteligentne.

Termin sztuczna inteligencja został stworzony przez Johna McCarthy'ego z MIT, kiedy próbował zrobić wrażenie swoją propozycją dotacji dla Fundacji Rockefellera przed konferencją Dartmouth latem 1956 roku.

Na początku SI była postrzegana prawie jako panaceum, które rozwiąże wszystkie problemy MV, kontroli robotów, itp. W przeciwieństwie do ludzi, SI z odpowiednią mocą obliczeniową może uczyć się niezwykle szybko ogromnej ilości informacji. A zwłaszcza w rozpoznawaniu wzorców, SI jest niezrównana.

SI opiera się na sieciach neuronowych (NN). Neurony odpowiadają komórkom nerwowym i glejowym ludzkiego mózgu, które są połączone poprzez synapsy. Bez wchodzenia w szczegóły biologiczne, same neurony nie są naprawdę inteligentne. Są inteligentne w interakcji z innymi neuronami.

Neurony SI to programy komputerowe, które odbierają i przetwarzają informacje i wysyłają je do innych neuronów, które z kolei przetwarzają informacje i przesyłają je dalej, i tak dalej. Teraz, dzięki danym treningowym, SI uczy się, która ścieżka przesyłu jest właściwa w każdym przypadku, w zależności od rezultatu. Jeśli następnie pojawiają się nowe dane, sieć stosuje tę wagę i dostarcza prawidłowe wyniki, o ile dane treningowe są unikalne i reprezentatywne. Ryzyko związane z korzystaniem z NN to fakt, że później nie jest możliwe zrozumienie, dlaczego podjęto daną decyzję. Można zapytać człowieka, dlaczego zobaczył psa jako wilka, ale nie NN.

Teraz, aby przetwarzać dane obrazowe z wyższą dokładnością, proste sieci neuronowe nie wystarczą. Splotowe sieci neuronowe (CNN) składają się z złożonych warstw neuronów.

Do treningu AI potrzebuje danych obrazowych. Podczas klasyfikacji, obszar obrazu jest przypisywany do zdefiniowanej klasy, takiej jak 'ok' lub 'nieok'. Aby rozpoznać subtelności, "system musi uczyć się jak małe dziecko, jak wyglądają krawędzie, koła, kolory, tekstury itp. W czasie swoim 'terminu' AI uczy się, jak na przykład wygląda spaw", podsumowuje Marian Schlüter z Fraunhofer IPK w Dziale Automatyzacji i Systemów Wizyjnych.

Wariantem uczenia się NN jest uczenie nadzorowane. Tutaj system otrzymuje pożądane rozwiązanie, a sieć zmienia swoje parametry, aż do momentu, gdy zapewni pożądany wynik w wystarczającym stopniu. W uczeniu ze wzmocnieniem system uczy się tylko tego, czy wygenerowane rozwiązanie jest lepsze czy gorsze od poprzedniego. Za pomocą "kar" i "nagród" parametry systemu są optymalizowane.

W uczeniu bez nadzoru system nie wie, czy jego rozwiązanie jest poprawne. Te sieci klasyfikują informacje według podobieństw między danymi. Dzięki temu, na przykład, można wykrywać nieznane defekty w komponentach.

Wysiłek wymagany do zbierania danych dla AI często wymaga tygodni pracy. Jednakże, jeśli pewien błąd występuje rzadko lub odpowiednia maszyna jest dopiero w fazie rozwoju, czasami brakuje znaczących danych. Można to naprawić za pomocą symulacji i wstępnego treningu NN. Na przykład, obrazy testowe można generować z danych CAD. Zbiory danych obrazowych, takie jak ImageNet, są dostępne do wstępnego szkolenia sieci. Następnie wystarczy kilka obrazów aplikacyjnych do dostrojenia parametrów.

Wykrywanie nowości i uczenie aktywne

W przypadku wystąpienia nowych typów błędów wkracza wykrywanie nowości (Wykrywanie anomalii). W tym przypadku do szkoleń potrzebne są tylko obrazy dobrych części.

Kontynuacją tego procesu jest uczenie aktywne. Jeśli w niektórych scenariuszach brakuje oryginalnych obrazów szkoleniowych i używa się tylko tych nowo dodanych, sieć może zapomnieć. "Może się nawet zdarzyć, że NN wtedy nic nie wie i nie potrafi klasyfikować. To określa się jako 'katastrofalne zapominanie'", raportuje Marian Schlüter. Przeciwdziała się temu uczeniem aktywnym i przyrostowym, na przykład poprzez wykorzystanie podzbiorów starych zbiorów danych do nowego szkolenia.

AI w przemyśle

Sztuczna inteligencja w MV jest na drodze do przemysłowego zastosowania. Chropowatość, odbicia itp. elementów mogą wciąż wytrącić AI z równowagi.

Powrócimy do kwestii wydajności w przyszłym wpisie.

Wciąż istnieją głównie psychologiczne przeszkody w wykorzystaniu AI. "Firmy nadal mają zastrzeżenia, ponieważ AI jest dla nich czarną skrzynką" - mówi Marian Schlüter. Dlatego obecnie prowadzone są liczne badania w obszarze Wyjaśnialnej Sztucznej Inteligencji, mające na celu zwiększenie zrozumiałości, dlaczego podjęto określone decyzje. Jest to szczególnie ważne w produkcji sprzętu medycznego, gdzie wymagana jest 100% kontrola. Więcej informacji można znaleźć tutaj.

Zrównoważony rozwój również odgrywa tutaj rolę. "Nie wszystko, co można zrobić z AI, musi być zrobione za jej pomocą; wymaga to ogromnego czasu obliczeniowego i energii" - podsumowuje Marian Schlüter. Tak więc istnieje również miejsce dla długotrwale używanych algorytmów MV, ale AI je udoskonali.

W wielu obszarach rozwiązań wizyjnych maszyn VITRONIC, AI już odgrywa ważną rolę. W następnym artykule przyjrzymy się temu bliżej na przykładzie naszego rozwiązania do spawów VIRO WSI.