После промышленной революции человечество добилось огромного прогресса в производстве. Со временем мы стали свидетелями того, как все больше и больше рутинной ручной работы заменяется автоматизацией с помощью передовых технологий, компьютеров, робототехники, а теперь и Интернета вещей. Мы считаем, что недавние достижения в области искусственного интеллекта (или, если быть точнее, глубокого обучения) увлекательным образом помогут ускорить эту тенденцию к автоматизации. Это связано с тем, что ИИ добавляет один очень важный компонент, которого фабрики не хватало до сегодняшнего дня - «способность машин видеть. С роботами, оснащенными компьютерным зрением, теперь можно исследовать множество новых и неизведанных территорий автоматизации.

«Обнаружение объектов» - это ветвь компьютерного зрения, которая занимается поиском определенных объектов (например, людей, банок RedBull, коробок банок RedBull и т. Д.) На изображении. В этом блоге мы рассмотрим, почему обнаружение объектов является ключевым строительным блоком для автоматизации производства и как вы должны думать об этом.

Так что же такое обнаружение объектов?

Компьютерное зрение - это область, которая занимается наделением компьютеров способностью «видеть» такие вещи, как люди. Обнаружение объектов - это основная задача визуального восприятия и одна из ключевых областей применения компьютерного зрения. По сути, он занимается поиском и обнаружением определенных объектов на изображении.

Для обнаружения общих объектов (таких как автомобиль, человек, таблица, дерево) доступны модели с открытым исходным кодом и предварительно обученные модели, такие как Yolo. Однако, если вы хотите, чтобы алгоритм обнаруживал очень специфические объекты (например, «маленький сырой помидор» или «большой спелый помидор»), вам нужно будет обучить собственный алгоритм обнаружения объектов.

Примеры использования обнаружения объектов на производстве

Поиск конкретного объекта посредством визуального осмотра - основная задача, которая задействована во многих отраслевых процессах, таких как сортировка, управление запасами, механическая обработка, управление качеством, упаковка и т. Д. В этом блоге мы обсуждаем несколько таких вариантов использования, чтобы помочь читателю построить интуитивное понимание как эту технологию можно применить в любой новой производственной среде.

Управление качеством

До сих пор часть производственного цикла, связанная с контролем качества, остается сложной задачей из-за того, что она полагается на визуальное понимание на уровне человека и адаптацию к постоянно меняющимся условиям и продуктам. С помощью ИИ можно справиться с большинством этих сложностей. ИИ может автоматически отличать хорошие детали от неисправных на сборочной линии с невероятной скоростью, что дает вам достаточно времени для принятия корректирующих мер. Это очень полезное решение для динамических сред, где среды продуктов постоянно меняются, а время ценно для бизнеса.

Управление запасами

Управление запасами может быть очень сложным, поскольку предметы трудно отслеживать в реальном времени, что-то всегда добавляется, удаляется и перемещается каждый день. Плохое управление запасами может нанести ущерб компании как с точки зрения капитала, так и времени. Система AI может выполнять автоматический подсчет и локализацию объектов, что позволит вам повысить точность инвентаризации. Автоматизация искусственного интеллекта исключает человеческую ошибку из уравнения, точно подсчитывая ваши текущие и исходящие запасы. При автоматизации предприятия будут заказывать нужное количество продуктов по наилучшей возможной цене, гарантируя, что деньги не будут потрачены впустую на неточные или посторонние заказы.

Сортировка

Ручная сортировка связана с высокими трудозатратами и человеческими ошибками. Даже с роботами процесс недостаточно точен и по-прежнему подвержен неточностям. При отслеживании объектов на базе AI объекты классифицируются в соответствии с параметром, выбранным производителем, и отображается статистика количества объектов. Это значительно снижает количество отклонений в категоризации и делает сборочную линию более гибкой. Например, в сельском хозяйстве сортировка играет важную роль на конвейере. Компании крайне важно выявлять и утилизировать поврежденные фрукты / овощи, которые могут повлиять на готовый продукт. Обнаружение объектов на базе искусственного интеллекта может помочь превратить этот утомительный и ручной процесс в эффективный и автоматизированный процесс, сохраняя при этом тот же, если не лучший уровень точности.

Сборочный конвейер

Сегодня у нас есть полностью автоматизированные сборочные линии даже для сложных продуктов, таких как автомобили. Однако каждое движение роботизированного оружия и сырья / компонентов определяется и воспроизводится в соответствии со сценарием. Чтобы придать современной автоматической сборочной линии большую гибкость, важно научить машины точно определять местонахождение и перемещать различные продукты / компоненты. Обнаружение объектов с питанием от искусственного интеллекта открывает двери для этой возможности.

Как работает обнаружение настраиваемых объектов?

Есть несколько проблем, которые необходимо принять во внимание при выполнении настраиваемого обнаружения объектов для нишевого варианта использования в производственной установке. Объекты бывают разных форм, размеров, ориентации, цвета, и в реальной фабричной среде есть дополнительный шум, возникающий из-за изменения точки обзора, освещения, окклюзий и теней. Что касается алгоритма, вам необходимо убедиться, что желаемая точность достигается без необходимости организовывать слишком много (порядка тысяч) обучающих примеров.

В ParallelDots мы запускаем специальный API для обнаружения объектов, который помогает клиентам решать такие задачи. Он основан на нашем запатентованном подходе, который использует комбинацию полностью сверточной сети и сверточного кодировщика-декодера для точного обнаружения объектов с менее чем 50 (немаркированными) обучающими изображениями.

Если вы хотите узнать больше о Karna AI и наших отраслевых решениях, свяжитесь с нами на нашем веб-сайте.