Успех системы машинного зрения на основе ИИ зависит от взаимодействия различных факторов. В этой статье мы обсудим три способа повлиять на производительность машинного зрения ИИ и улучшить ее.

Потребность в машинном зрении и искусственном интеллекте возрастает. Поскольку отрасль стремится к более высокой производительности и требованиям к качеству продукции, спрос на высокопроизводительный контроль качества и автоматизацию никогда не был выше. Неудивительно, ведь системы машинного зрения являются лучшими контролерами качества, чем люди, они делают меньше ошибок и не боятся выполнять скучные, повторяющиеся задачи в течение всего дня.

Но по мере того, как производственные линии становятся быстрее, а требования к качеству ужесточаются, вопрос заключается в том, сможет ли ваша система машинного зрения идти в ногу со временем. Частично благодаря медиатизированным историям успеха машинного зрения с искусственным интеллектом руководители предприятий часто имеют очень высокие или даже нереалистичные ожидания в отношении своих результатов. Ожидается, что ИИ поднимет результаты машинного зрения до невиданных высот. Но на самом деле результаты зачастую менее впечатляющие, если не разочаровывающие.

Как это возможно?

Что определяет успех проекта искусственного зрения? И как мы можем улучшить результаты прогнозирования машинного зрения? Если бы мы знали ответы на эти вопросы, у нас могли бы быть более реалистичные ожидания от наших решений машинного зрения.

В этой статье мы обсудим три важных фактора успеха систем машинного зрения на основе ИИ: задержку, точность обнаружения и качество данных.

Задержка против скорости

Допустим, скорость ленты вашей линии проверки овощей составляет 60 метров в минуту. Это означает, что ваша система машинного зрения также должна иметь возможность обрабатывать овощи с такой скоростью. Это означает: захват изображения, передачу информации об изображении на устройство обработки (на границе или в облаке), а затем возврат команды или решения на основе этой информации (качество в порядке или не в порядке).

Скорость, с которой это будет возможно, зависит от задержки системы: задержки между захватом изображения и выполнением решения. На задержку могут влиять разные факторы: общая пропускная способность, производительность оборудования (датчика или камеры) и сложность аналитической модели (или количество параметров, которые должна учитывать ваша модель).

К счастью, вы можете повлиять на задержку несколькими способами:

  • Оптимизируйте свое программное обеспечение: перепроектируйте и/или перепишите узкие места вашего программного обеспечения более эффективным способом.
  • Оптимизируйте свое оборудование: вы можете использовать более мощное оборудование машинного зрения, способное захватывать изображение на более высоких скоростях.
  • Настройте область. Уменьшая количество параметров, которые должна учитывать ваша система машинного зрения, вы уменьшаете сложность своей модели и, как следствие, увеличиваете скорость обнаружения.

Точность обнаружения

Точность вашей аналитической модели будет определять качество обнаружения. Теоретически мы все хотим 100% точного обнаружения. Но возможно ли это? Обычно это не так, или разработка более точной модели может быть слишком дорогостоящей.

Итак, остается вопрос: насколько точным вы хотите, чтобы ваше обнаружение было? И какова дополнительная ценность повышения точности обнаружения? Является ли большой проблемой наличие нескольких ложноотрицательных (плохое качество, которое вы не обнаружили) или ложноположительных результатов (что-то, что вы ошибочно идентифицировали как плохое качество)? В некоторых отраслях, таких как пищевая промышленность, ложноотрицательные результаты будут иметь большее влияние, чем в других секторах.

Как повысить точность обнаружения?

  • Повысьте качество данных, используемых для обучения модели машинного обучения.
  • Используйте более сложную обучающую сеть.
  • Настройте свою модель, добавив данные, которые придают большее значение конкретным вариантам использования.

Качество вашего учебного материала

Машинное зрение на основе ИИ может работать только при наличии значительного высококачественного набора данных, который можно использовать для поиска предсказуемых закономерностей. Хотя важны как количество, так и качество ваших данных, идея «чем больше, тем лучше» часто берет верх. Однако большее количество данных не обязательно означает лучшие результаты.

Приложению для сортировки продуктов может потребоваться больше данных, чтобы решить, хорошая или плохая морковь, из-за присущего продукту разнообразия форм и из-за большого разнообразия вещей, которые можно собрать в поле. Но для проверки металлического прутка на наличие дефектов такой большой набор данных может и не понадобиться, потому что вариаций проверяемого объекта и типов дефектов меньше.

Качество данных не менее важно. Низкая производительность машинного зрения часто является результатом плохо аннотированных наборов данных, противоречивых данных, плохих записей и т. д. Мусор на входе, мусор на выходе, как говорится.

Что можно сделать для улучшения качества данных:

  • Очистка данных. Вы можете значительно улучшить качество данных, исправляя, дополняя и обновляя данные в различных базах данных вручную и/или с помощью автоматических сценариев.
  • Заполнение пробелов в данных. У вас могут быть пробелы в данных для конкретных вариантов использования, которые в настоящее время заполняются менее репрезентативными данными. Добавление конкретных данных для заполнения этих пробелов улучшит качество ваших данных и результаты машинного зрения.

Чтобы все работало…

Оптимизация вашей системы машинного зрения на основе ИИ с точки зрения задержки, точности обнаружения и качества данных — это три пути, по которым вы можете улучшить качество своих результатов. Сложность — или красота, в зависимости от того, как на это посмотреть — заключается в том, что эти три фактора успеха постоянно взаимодействуют друг с другом.

Например, для повышения точности обнаружения может потребоваться более сложная сеть, что, в свою очередь, может увеличить задержку системы. Но улучшение качества ваших данных может уменьшить сложность, что может уменьшить задержку системы.

Хотя истории успеха не являются невозможными, добавление ИИ в вашу систему машинного зрения просто так не улучшит результаты. Гораздо реалистичнее рассматривать производительность как результат сложного взаимодействия факторов успеха, некоторые из которых мы описали в этой статье.

Тем не менее, мы хотели бы, чтобы ваш проект машинного зрения был успешным. У вас есть задача машинного зрения или автоматизированной проверки? Свяжитесь с нами, и давайте поговорим с одним из наших экспертов по машинному зрению.

Автор

Барт — один из старших инженеров по компьютерному зрению Каперникова, основная задача которого — решать задачи на всех этапах — от архитектуры до реализации.

Подробнее здесь: https://kapernikov.com/authors/bart-verhagen/

Первоначально опубликовано на https://kapernikov.com 30 ноября 2021 г.