Rumah  >  Artikel  >  Peranti teknologi  >  Bagaimana untuk mengenal pasti peluang untuk AI dalam penglihatan mesin?

Bagaimana untuk mengenal pasti peluang untuk AI dalam penglihatan mesin?

PHPz
PHPzke hadapan
2023-04-08 16:31:031217semak imbas

Kecerdasan buatan (AI) sedang diguna pakai oleh industri untuk memanfaatkan kuasa data dan menggunakannya untuk membuat keputusan yang lebih bijak.

Bagaimana untuk mengenal pasti peluang untuk AI dalam penglihatan mesin?

Artikel ini akan menerangkan cara mengenal pasti peluang untuk AI dalam aplikasi penglihatan mesin.

Keperluan perniagaan untuk sistem AI

Urus jangkaan

Kaedah AI mempunyai kes penggunaan khusus. Lagipun, ia bukan penyelesaian universal dan tidak boleh menyelesaikan semua masalah. Sesetengah aplikasi lebih sesuai untuk penglihatan komputer tradisional, sesetengah mungkin memerlukan kedua-duanya, dan sesetengah mungkin memerlukan hanya kecerdasan buatan. Sistem AI adalah mahal—baik dari segi kos dan sumber pendahuluan yang diperlukan. Alat sumber terbuka memerlukan masa pembangunan yang ketara, dan alat luaran selalunya mahal. Selain itu, GPU sering diperlukan untuk mencapai prestasi yang mencukupi pada sistem. Banyak pengeluar selalunya tidak mempunyai GPU atau kuasa pemprosesan yang setara. Oleh itu, adalah penting untuk menentukan aplikasi mana yang sesuai untuk AI dengan keperluan perniagaan yang kukuh.

Kepentingan tetapan sistem visual

Sebelum memasuki AI, adalah disyorkan untuk mempunyai asas yang kukuh dalam tetapan sistem visual. Walau bagaimanapun, ini kurang penting untuk AI, yang selalunya boleh mengendalikan keadaan yang lebih teruk daripada sistem tradisional. Semua peraturan sistem penglihatan mesin biasa digunakan di sini - pencahayaan yang baik, resolusi kamera, jarak fokus, dsb. Jika mana-mana faktor ini tidak sesuai, anda perlu kembali dan menanganinya sebelum mendalami AI. Pastikan persediaan sistem penglihatan yang mantap untuk hasil terbaik.

Rujukan Prestasi Manusia

Sistem AI paling berjaya di mana prestasi manusia adalah kukuh. Setelah sistem disediakan, pengendali boleh mengenal pasti/mengklasifikasikan imej dengan mudah mengikut mata, yang boleh menentukan sama ada ia sesuai untuk AI. Walau bagaimanapun, jika prestasi manusia tidak mencukupi, model AI berkemungkinan berprestasi buruk. Menggunakan prestasi manusia sebagai titik rujukan untuk apa yang model AI boleh capai, jika pengendali hanya boleh mengenal pasti imej 70% daripada masa dengan betul, tidak mungkin AI akan berprestasi lebih baik daripada itu. Oleh itu, jika prestasi manusia tidak cukup baik untuk aplikasi, isu prestasi itu harus ditangani terlebih dahulu dan dipertingkatkan ke tahap yang boleh diterima. Setelah pengendali mencapai prestasi yang diharapkan, AI boleh dipertimbangkan.


Masa dan Sumber

Mengumpul imej dan melatih model memerlukan usaha yang besar. Selalunya, mengumpul imej berkualiti tinggi adalah bahagian yang paling sukar kerana banyak pengeluar mempunyai tahap kecacatan yang sangat rendah. Tanpa data, sukar untuk melatih model untuk bahagian yang rosak. Alat latihan membantu, menyediakan model pra-latihan yang memerlukan lebih sedikit sampel untuk dilatih. Latihan ialah proses berulang yang merangkumi pelbagai langkah untuk mencari parameter ideal untuk model dijalankan. Mengoptimumkan model selalunya memerlukan masa dan percubaan. Selain itu, jika data baharu muncul dalam medan, model tersebut perlu dilatih dan digunakan semula.


Contoh Aplikasi Kecerdasan Buatan:

Satu contoh aplikasi kecerdasan buatan dalam penglihatan mesin adalah untuk pemeriksaan pemasangan akhir, satu lagi adalah untuk papan litar bercetak atau pengesanan PCB .

❶ Pemeriksaan pemasangan akhir:

Latar belakang

Pemeriksaan akhir bahagian/produk atau komponen biasanya dilakukan oleh operator, atau sistem penglihatan mesin tradisional, atau kedua-duanya. Kamera Teledyne akan diserlahkan di sini sebagai contoh produk. Pemeriksaan akhir mungkin memeriksa pin bengkok, calar pada permukaan, penempatan penyambung yang betul, penjajaran pelekat, pencetakan teks yang betul, jarak antara mekanisme dan banyak lagi. Pada asasnya, sebarang pengecualian yang berlaku semasa proses binaan perlu dicari. Tetapi senarai kriteria yang perlu dicari dengan cepat menjadi sangat panjang. Sistem berasaskan peraturan tradisional bergelut untuk mengendalikan semua kes sudut, dan melatih pengendali baharu adalah sukar.

Mengapa AI?

Biasanya terdapat terlalu banyak peraturan untuk menentukan apa yang "lulus". Ini menyukarkan sistem penglihatan mesin tradisional untuk mencapai prestasi yang baik. Alternatifnya ialah pemeriksaan manual memakan masa bagi banyak syarikat dan sukar bagi pengendali baharu membuat beberapa pertimbangan yang tidak jelas. Sistem berasaskan peraturan tradisional selalunya tidak mempunyai prestasi yang mencukupi, dan pengeluar bergantung pada pertimbangan pengendali untuk membantu. Mungkin terdapat keadaan pencahayaan yang berbeza, serta variasi yang tinggi dalam lokasi kecacatan, bentuk dan tekstur. Selalunya, keluaran kualitatif "baik/buruk" mudah adalah semua yang diperlukan. Walau bagaimanapun, ini juga boleh digabungkan dengan algoritma berasaskan peraturan tradisional jika dikehendaki.

Faedah

Dengan AI, persediaan lebih mudah. Selepas mengumpul sejumlah besar imej untuk melatih model, menjalankan sistem biasanya memerlukan kerja pembangunan yang jauh lebih sedikit daripada sistem berasaskan peraturan, terutamanya menggunakan alat AI. Dengan sistem yang sesuai, biasanya menggunakan GPU, semakan adalah lebih pantas, mengikut urutan milisaat. Jika dibekalkan dengan data yang baik, sistem AI juga harus berfungsi dengan lebih dipercayai daripada manusia dan merupakan cara yang baik untuk menyeragamkan prosedur pemeriksaan. Algoritma ini biasanya dilatih pada data yang disediakan oleh berbilang pengendali, yang boleh mengurangkan ralat manusia. Ini membantu mengurangkan berat sebelah atau keletihan manusia yang mungkin timbul daripada satu operator. Dalam contoh ini, AI boleh membantu pengilang mengurangkan kegagalan luar kotak dan meningkatkan kualiti pemeriksaan dan pemprosesan.

❷Pemeriksaan PCB:

Latar Belakang

Pengilang PCB perlu memeriksa papan litar mereka untuk sebarang kecacatan. Ia mungkin sambungan pateri yang buruk, litar pintas atau kelainan lain. Mesin AOI (Automated Optical Inspection) biasanya digunakan. Walau bagaimanapun, kerana kecacatan berbeza-beza, sukar untuk mengendalikan semua kes tepi. Dan prestasi sistem berasaskan peraturan tidak cukup tepat, dan pengeluar akan meminta pengendali untuk melakukan pemeriksaan manual, yang memakan masa dan mahal.

Mengapa AI?

Adalah sukar bagi sistem AOI tradisional untuk mengenal pasti kecacatan. Ia sama ada melampaui atau berprestasi rendah, menyebabkan PCB yang rosak lulus atau PCB yang baik gagal. Sama seperti situasi lain, terdapat terlalu banyak peraturan untuk menentukan "papan yang baik". Bergantung pada aplikasi, AI boleh digunakan di sini untuk mengklasifikasikan kecacatan yang berbeza dari segi saiz dan bentuk, seperti litar pintas, bukaan, komponen rosak, kecacatan kimpalan, dsb.

Faedah

Dengan kecerdasan buatan, pengeluar boleh meningkatkan ketepatan dan kualiti pemeriksaan. Ini membantu mengurangkan bilangan PCB yang rosak yang lulus pemeriksaan. Ia juga menjimatkan masa dan kos buruh untuk sebarang pemeriksaan yang dibantu manual dan meningkatkan daya pengeluaran dengan mengautomasikan tugas yang mengambil masa operator lebih lama untuk diselesaikan.

Atas ialah kandungan terperinci Bagaimana untuk mengenal pasti peluang untuk AI dalam penglihatan mesin?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Kenyataan:
Artikel ini dikembalikan pada:51cto.com. Jika ada pelanggaran, sila hubungi admin@php.cn Padam