Học sâu cho tự động hóa nhà máy

Các hệ thống thị giác máy truyền thống hoạt động đáng tin cậy với các bộ phận nhất quán, được sản xuất tốt. Chúng hoạt động thông qua các thuật toán dựa trên quy tắc và lọc từng bước, tiết kiệm chi phí hơn so với kiểm tra của con người. Nhưng các thuật toán trở nên khó sử dụng khi các thư viện ngoại lệ và lỗi phát triển. Một số kiểm tra thị giác máy truyền thống, chẳng hạn như xác minh lắp ráp lần cuối, nổi tiếng là khó lập trình do có nhiều biến số mà máy khó có thể tách biệt chẳng hạn như ánh sáng, thay đổi màu sắc, độ cong và trường nhìn.

Mặc dù các hệ thống thị giác máy chấp nhận một số thay đổi về hình thức của một bộ phận do tỷ lệ, xoay và biến dạng tư thế, kết cấu bề mặt phức tạp
và các vấn đề về chất lượng hình ảnh đưa ra những thách thức kiểm tra nghiêm trọng. Các hệ thống thị giác máy gặp khó khăn trong việc đánh giá sự thay đổi và sai lệch giữa các bộ phận rất giống nhau về mặt hình ảnh. Sự khác biệt hoặc bất thường vốn có có thể hoặc không thể là nguyên nhân bị từ chối, tùy thuộc vào cách
người dùng hiểu và phân loại chúng. Các bất thường về ‘chức năng’, ảnh hưởng đến tiện ích của một bộ phận, hầu như luôn là nguyên nhân bị từ chối, trong khi các bất thường về thẩm mỹ có thể không, tùy thuộc vào nhu cầu và sở thích của nhà sản xuất. Vấn đề nan giải nhất là những khiếm khuyết này rất khó để hệ thống thị giác máy truyền thống phân biệt được.

Ưu điểm của kiểm tra con người

Không giống như thị giác máy truyền thống, con người rất giỏi trong việc phân biệt giữa các sai sót tinh tế về mặt thẩm mỹ và chức năng, cũng như đánh giá cao các biến thể về hình thức bên ngoài có thể ảnh hưởng đến chất lượng cảm nhận. Mặc dù bị giới hạn về tốc độ mà chúng ta có thể xử lý thông tin, con người là duy nhất có khả năng khái niệm hóa và khái quát hóa. Chúng ta giỏi học tập bằng ví dụ và có khả năng phân biệt điều gì thực sự quan trọng khi nó
đến sự bất thường nhẹ giữa các bộ phận. Điều này làm cho tầm nhìn của con người trở thành sự lựa chọn tốt nhất, trong nhiều trường hợp, để diễn giải định tính một cảnh phức tạp, phi cấu trúc—đặc biệt là những cảnh có khiếm khuyết tinh vi và sai sót không thể đoán trước. Ví dụ, con người chính xác hơn nhiều khi xử lý các ký tự bị biến dạng và khó đọc, các bề mặt phức tạp và các khuyết tật thẩm mỹ. Đối với nhiều ứng dụng trong số này, máy móc không thể cạnh tranh với con người về mức độ phức tạp của chúng.

Học sâu để kiểm tra phức hợp

Các mô hình học sâu có thể giúp máy móc khắc phục những hạn chế vốn có của chúng bằng cách kết hợp khả năng tự học của một thanh tra con người với tốc độ và tính nhất quán của một hệ thống máy tính. Phân tích hình ảnh dựa trên học sâu đặc biệt phù hợp để kiểm tra bề mặt thẩm mỹ có bản chất phức tạp: các mẫu khác nhau theo những cách tinh tế nhưng có thể chấp nhận được và trong đó các biến thể vị trí có thể ngăn cản việc sử dụng các phương pháp dựa trên tần số không gian. Công nghệ học sâu vượt trội trong việc xử lý các khuyết tật bề mặt và thẩm mỹ phức tạp, chẳng hạn như vết trầy xước và vết lõm trên các bộ phận được tiện, chải hoặc sáng bóng. Cho dù được sử dụng để xác định vị trí, đọc, kiểm tra hoặc phân loại các tính năng quan tâm, phân tích hình ảnh dựa trên học sâu khác với thị giác máy truyền thống ở khả năng khái niệm hóa và khái quát hóa diện mạo của một bộ phận dựa trên
dựa trên những đặc điểm nổi bật của nó—ngay cả khi những đặc điểm đó thay đổi một cách tinh vi hoặc đôi khi sai lệch.

Lựa chọn giữa Thị giác máy truyền thống và Học sâu

Sự lựa chọn giữa thị giác máy truyền thống và học sâu phụ thuộc vào loại ứng dụng đang được giải quyết, lượng dữ liệu được xử lý và khả năng xử lý. Thật vậy, vì nhiều lợi ích của nó, học sâu không phải là giải pháp phù hợp cho nhiều ứng dụng. Các công nghệ lập trình dựa trên quy tắc truyền thống tốt hơn trong việc đánh giá và đo lường, cũng như thực hiện căn chỉnh chính xác. Trong một số trường hợp, tầm nhìn truyền thống có thể là lựa chọn tốt nhất để xác định chính xác một khu vực quan tâm và học sâu để kiểm tra khu vực đó. Sau đó, kết quả của kiểm tra dựa trên học sâu có thể được chuyển trở lại tầm nhìn truyền thống để thực hiện các phép đo chính xác về kích thước và hình dạng của khuyết tật.

Học sâu bổ sung cho các phương pháp tiếp cận dựa trên quy tắc và nó làm giảm nhu cầu về chuyên môn lĩnh vực tầm nhìn sâu để xây dựng một cuộc kiểm tra hiệu quả. Thay vào đó, học sâu đã biến các ứng dụng trước đây yêu cầu chuyên môn về tầm nhìn thành những thách thức kỹ thuật mà các chuyên gia không có tầm nhìn có thể giải quyết được. Học sâu chuyển gánh nặng logic từ nhà phát triển ứng dụng, người phát triển và viết kịch bản thuật toán dựa trên quy tắc, sang kỹ sư đào tạo hệ thống. Nó cũng mở ra một loạt khả năng mới để giải quyết các ứng dụng chưa bao giờ được thực hiện mà không có người kiểm tra. Bằng cách này, học sâu giúp thị giác máy hoạt động dễ dàng hơn, đồng thời mở rộng giới hạn của những gì máy tính và máy ảnh có thể kiểm tra chính xác.

Trên đây là phần trích xuất ‘Hướng dẫn học sâu cho tự động hóa nhà máy’ từ Cognex có thể tải xuống tại liên kết này .

Để biết thêm thông tin: www.cognex.com