یادگیری عمیق چگونه بینایی ماشین را بهبود می‌بخشد؟

توسعه‌دهندگان به‌طور فزاینده‌ای از شبکه‌های عصبی مصنوعی یادگیری عمیق برای بهبود تشخیص و طبقه‌بندی اشیا استفاده می‌کنند. دیجیتال‌سازی، کنترل تولیدات صنعتی را کاملاً در اختیار گرفته است و فرآیندهای مختلف به‌عنوان بخشی از اینترنت صنعتی اشیا (IIoT) بیشتر و بیشتر خودکار می‌شوند. در اینترنت صنعتی اشیا که با عنوان اینداستری 4.0 نیز شناخته می‌شود، ماشین‌ها و ربات‌های مختلف کارهای تولید روزمره بیشتری را به عهده می‌گیرند. به‌عنوان‌مثال در مونتاژ، ربات‌های جمع‌وجور و متحرک جدید مانند ربات‌های مشارکتی (cobots) ، اغلب شانه‌به‌شانه همکاران انسانی خود مشغول کار و فعالیت هستند. فناوری‌های یادگیری عمیق و شبکه‌های عصبی کانولوشنی (CNN) می‌توانند نقص‌ها را یاد بگیرند و از یکدیگر تشخیص دهند.

جریان‌های تولید کاملاً خودکار و شبکه‌ای جهانی اینترنت اشیا که با تعامل ماشین-با-ماشین شناخته می‌شوند، برای شناسایی طیف وسیعی از اشیا موجود در جریان کالاها در کارخانه‌ها و بقیه زنجیره فرآیند، به بینایی ماشین متکی هستند. بینایی ماشین، بهره‌وری و ایمنی این جریان‌های کاری را افزایش داده و به ابزاری ضروری برای مهندسانی که به دنبال اتوماسیون و سرعت بخشیدن به تولید هستند تبدیل گردیده است. امروزه فرآیندهای یادگیری ماشین و یادگیری عمیق می‌توانند از نرخ شناخت قوی‌تر اطمینان حاصل کنند. نرم‌افزار ماشین بینایی به‌عنوان «چشم تولید»، به عنصری اساسی در این فناوری تبدیل شده، پردازش داده‌های غیر ساختاری مانند تصاویر دیجیتال و فیلم تولید شده توسط دوربین‌ها شناسایی اشیا استفاده می‌شود، این نوع نرم‌افزار بسیار سریع کار کرده و به نرخ شناسایی بسیار بالا و قابل‌اطمینان دست می‌یابد و درنتیجه در صنایع مختلف در مورد طیف وسیعی از کارها مانند بازرسی عیب، تعیین موقعیت قطعه کار و مدیریت خودکار اشیا در رباتیک استفاده می‌شود.

آنالیز و ارزیابی مجموعه داده‌های بزرگ

در تلاش برای مقاوم‌سازی و سازگاری فرایند شناسایی، به اندازه حتی مقاوم‌تر و سازگارتر از الزامات فرایندهای انعطاف‌پذیر و شبکه اینترنت صنعتی اشیا، توسعه‌دهندگان نرم‌افزار بینایی ماشین، اعتماد بیشتر و بیشتری به روش‌های حوزه هوش مصنوعی (AI) می‌کنند. یادگیری عمیق، زمینه‌ای از یادگیری ماشین است که کامپیوترها را قادر می‌سازد تا از طریق معماری‌هایی مانند شبکه‌های عصبی کانولوشنی (CNN) آموزش دیده و یاد بگیرند. ویژگی خاص هوش مصنوعی، فناوری یادگیری ماشین و یادگیری عمیق این است که به‌منظور آموزش بسیاری از طبقات مختلف و در نتیجه تمایز بیشتر بین اشیا، مقادیر زیادی از داده‌ها (داده‌های بزرگ) را به‌طور جامع، آنالیز و ارزیابی می‌کنند. این داده‌ها به‌طور فزاینده‌ای در اینترنت صنعتی اشیا (IIoT) تولید می‌شوند که می‌تواند شامل اطلاعات تصویر دیجیتال و همچنین داده‌های حسگرها، اسکنرها و سایر اجزای فرآیندها باشد.

روش‌هایی مانند فناوری‌های یادگیری عمیق و شبکه‌های عصبی کانولوشنی (CNN) از حوزه هوش مصنوعی (AI) در حال ورود به بینایی ماشین هستند تا به سیستم‌های پردازش تصویر کمک کنند تا بین نقص‌ها تمایز قائل شده و فرایندهای شناسایی را دقیق‌تر کنند. برای استفاده از یادگیری عمیق، ابتدا باید CNN ها آموزش ببینند. این فرایند آموزش به برخی از ویژگی‌های خارجی که معمولاً مخصوص شی‌ء هستند مانند رنگ، شکل، بافت و ساختار سطح ارتباط پیدا می‌کنند. اشیا بر اساس این خصوصیات به دسته‌های مختلف تقسیم می‌شوند تا بعداً بهتر بتوان آن‌ها را تخصیص داد. در روش‌های مرسوم بینایی ماشین، یک توسعه‌دهنده بایستی با زحمت فراوان، تمام ویژگی‌های فردی را به‌صورت دستی تعریف و تأیید کند. در مقابل، با به‌کارگیری یادگیری عمیق، از الگوریتم‌های یادگیری خودکار به‌منظور یافتن و استخراج خودکار الگوهای منحصربه‌فرد در جهت ایجاد تمایز بین دسته‌های خاص استفاده می‌شود.

آموزش اشیا از طریق دسته‌بندی

روند آموزش دقیقاً چگونه کار می‌کند؟ کاربر ابتدا داده‌های تصویری را که قبلاً با برچسب ارائه شده‌اند، تهیه می‌کند. هر برچسب متناظر با علامتی است که هویت آن شی‌ء خاص را نشان می‌دهد. سیستم مربوطه، این داده‌ها را تجزیه‌وتحلیل می‌کند و بر این اساس مدل‌های متناظر با اشیایی که قرار است شناسایی شوند را ایجاد کرده یا «آموزش می‌دهد». با توجه به این مدل‌های شی‌ء خودآموز، شبکه یادگیری عمیق اکنون قادر است داده‌های تصویری تازه اضافه شده را به دسته‌های مناسب اختصاص دهد، به‌طوری‌که محتوای داده‌ها یا اشیای آن‌ها نیز طبقه‌بندی شود. به لطف این اختصاص دهی به دسته‌های خاص، موارد مختلف می‌توانند به‌طور خودکار شناسایی شوند. بنابراین دیگر نیازی به یک تصویر نمونه برای مقایسه مستقیم هر شی‌ء وجود ندارد. از این گذشته، فرایندهای یادگیری عمیق قادر به یادگیری موارد جدید به‌طور مستقل از هم هستند. با در نظر گرفتن ویژگی‌های تمام داده‌های تصویر، می‌توان به نتیجه‌گیری در مورد خصوصیات یک دسته خاص پرداخت که این امر سرعت شناسایی را به‌طور قابل‌توجهی بهبود می‌بخشد. این فرایند «استنتاج» نامیده می‌شود. بنابراین، الگوریتم‌های یادگیری عمیق در مورد برنامه‌های شناسایی نوری کاراکتر (OCR) ، یعنی برای شناسایی دقیق ترکیب حروف یا اعداد نیز بسیار مناسب هستند. با توجه به فرآیند آموزش گسترده، ویژگی‌های معمول هر یک از کاراکترها، بر اساس دسته‌های تعریف‌شده مشخص می‌شوند. بااین‌حال، به دلیل وجود فونت‌های مختلف که بعضی از آن‌ها دارای ویژگی‌های انحرافی مانند خطوط کج الفبایی هستند، ممکن است مشکلاتی در زمینه تخصیص آن‌ها با قطعیت ایجاد شود.

نرم‌افزار پیشرفته بینایی ماشین می‌تواند مشکل یادشده را برطرف کند. به‌عنوان‌مثال نرم‌افزار مرلیک و هالکون از MVTec (مونیخ، آلمان؛www.mvtec.com) دارای یک طبقه‌بندی کننده OCR بر اساس الگوریتم‌های یادگیری عمیق است که از طریق بسیاری از فونت‌های از قبل آموزش داده‌شده می‌توان به آن دسترسی داشت. درنتیجه، به لطف یک طبقه‌بندی کننده واحد، همه‌گیر و از قبل آموزش‌دیده، می‌توان طیف گسترده‌ای از انواع حروف، مانند انواع چاپ نقطه‌ای، SEMI، صنعتی و مبتنی بر اسناد را با اطمینان شناسایی کرد.

اجتناب از زمان آموزش اضافی

بااین‌حال، شرکت‌ها اغلب از استفاده از فناوری‌های مبتنی بر هوش مصنوعی مانند یادگیری عمیق پرهیز می‌کنند زیرا به دلیل پیچیدگی این فناوری‌ها، توسعه‌دهندگان نیاز به تخصص گسترده‌تری دارند. به‌طورکلی روند آموزش برای شناسایی اشیا به تصاویر نمونه زیادی نیاز دارد. برای دستیابی به میزان تشخیص کافی، ممکن است برای هر دسته حداکثر 100000 تصویر مقایسه موردنیاز باشد. حتی اگر داده‌های نمونه لازم در دسترس باشد، فرایند آموزش زمان زیادی را به خود اختصاص می‌دهد. معمولاً کار برنامه‌نویسی برای شناسایی دسته‌های مختلف نقص و ایراد در حین بررسی خطا نیز بسیار پیچیده است. دلیل این امر آن است که برای این منظور به کارمندان ماهر و آموزش مناسب نیاز است. راه‌حل‌های مدرن بینایی ماشین که تا پیش‌ازاین شامل تعداد زیادی از عملکردهای یادگیری عمیق می‌شده است، می‌توانند مفید عمل کنند. نسخه جدید 17.12 نرم‌افزار استاندارد MVTec HALCON شرکت‌ها را قادر می‌سازد تا بدون صرف وقت و هزینه زیاد، شبکه‌های عصبی کانولوشنی (CNN) را آموزش دهند. از این گذشته، این نرم‌افزار از قبل به دو شبکه مجهز شده است که به‌صورت بهینه برای استفاده‌های صنعتی آموزش دیده‌اند – و یکی از آن‌ها برای دستیابی به سرعت بالا و دیگری برای حداکثر نرخ شناسایی، بهینه‌سازی شده‌اند. بنابراین فرآیند آموزش فقط با چند نمونه تصویر ارائه‌شده توسط مشتری کار می‌کند و به همین رو متناسب با کاربردهای مشخص مشتری است و درنتیجه شبکه‌های عصبی ایجاد شده می‌توانند دقیقاً با نیازهای خاص مشتری مطابقت داشته باشند. شرکت‌های کاربر می‌توانند با طبقه‌بندی آسان و نظام‌مند داده‌های تصویر جدید، میزان کار برنامه‌نویسی موردنیاز را به میزان قابل‌توجهی کاهش داده و در وقت و هزینه خود صرفه‌جویی کنند. شرکت‌ها معمولاً نیازی به تخصص زیاد در زمینه هوش مصنوعی نداشته و می‌توانند از کارکنان موجود خود بدون هیچ مشکل خاصی برای آموزش شبکه استفاده کنند.

شناسایی مؤثر و کارآمد نقص‌ها

شناخت نقص‌ها یک فرآیند زمان‌بر است زیرا ظاهر نقص‌هایی مانند خراش‌های ریز در یک قطعه الکترونیکی هرگز نمی‌تواند از قبل به‌طور دقیق توصیف شود. بنابراین، تهیه دستی الگوریتم‌های مناسب که بتوانند هرگونه خطای قابل‌تصور را بر اساس تصاویر نمونه شناسایی کنند، بسیار دشوار است. یک متخصص باید صدها هزار تصویر را به‌صورت دستی مشاهده کند و الگوریتمی را برنامه‌نویسی کند که بر اساس مشاهدات خود، خطا را با بیشترین دقت ممکن توصیف کند. این امر نیازمند زمان زیادی خواهد شد. از طرف دیگر، فناوری‌های یادگیری عمیق و شبکه‌های عصبی کانولوشنی می‌توانند به‌طور مستقل برخی از ویژگی‌های نقص را بیاموزند و به‌طور دقیق دسته‌های مربوطه را تعریف کنند. بدین ترتیب، فقط 500 تصویر نمونه برای هر دسته موردنیاز است که فناوری‌های یادشده بر اساس آن‌ها، انواع مختلف نقص را آموزش داده و تأیید کرده و به‌تبع آن دقیقاً تشخیص دهند. این فرآیند فقط چند ساعت طول می‌کشد. بدین ترتیب نه‌تنها مقدار زمان موردنیاز به حداقل می‌رسد، بلکه نرخ تشخیص نیز بسیار بیشتر از دسته‌های نقص با برنامه‌نویسی دستی است. بنابراین، الگوریتم‌های یادگیری خودکار به کاهش قابل‌توجه خطاهای شناسایی کمک می‌کنند، درحالی‌که خطاهای برنامه‌نویسی دستی می‌تواند شدیداً زیاد باشد.

صنایع زیادی سود می‌برند

فناوری‌های بینایی ماشین مبتنی بر یادگیری عمیق و شبکه‌های عصبی کانولوشنی می‌توانند در بسیاری از شاخه‌های مختلف صنعت و کاربردها با سودآوری زیاد مورداستفاده قرار گیرند. مثلاً در صنعت الکترونیک، فرآیند بازرسی می‌تواند خودکار شده و شتاب گیرد. بنابراین، با کمک روش‌های خودآموزی، همه نقص‌های قابل‌تصور محصول را می‌توان به‌طور مؤثر تشخیص داد – همان‌طور که در بالا توضیح داده شد. حتی کوچک‌ترین خراش‌ها یا ترک‌های صفحه مدار، نیمه‌هادی‌ها و سایر اجزای سازنده نیز به‌طور قابل‌اعتمادی شناسایی شده‌اند که این امر، امکان حذف قطعات مربوطه به‌صورت خودکار را میسر می‌سازد. صنعت غذا و نوشیدنی نیز از فناوری‌های یادگیری عمیق سود می‌برد. به‌عنوان‌مثال، میوه‌ها و سبزی‌های بی‌کیفیت را می‌توان پیش از بسته‌بندی یا فرآوری، با دقت بیشتری تشخیص داد. از این فرآیندها در مهندسی خودرو نیز استفاده می‌شود. این صنعت به‌طور خاص، به سطح بالایی از اتوماسیون مشهور است. به‌عنوان‌مثال، در اینجا الگوریتم‌های خودآموزی می‌توانند نقص‌های رنگی ریزی را که با چشم غیرمسلح قابل‌مشاهده نیستند به‌طور کامل و به‌خوبی شناسایی می‌کنند. یکی دیگر از زمینه‌های مهم کاربردی، صنایع دارویی است. قرص‌ها اغلب به لحاظ خارجی، بسیار شبیه به هم هستند اما هر یک از آن‌ها دارای مواد فعال کاملاً متفاوتی می‌باشند. از طریق یادگیری عمیق و شبکه‌های عصبی کانولوشنی، داروها را می‌توان با اطمینان بسیار زیادی شناسایی، بازرسی و از یکدیگر تفکیک کرده و بنابراین همیشه در بسته‌های صحیح قرار داد.

نتیجه‌گیری

فناوری‌های مبتنی بر هوش مصنوعی مانند یادگیری عمیق و شبکه‌های عصبی کانولوشنی (CNN)، امروزه بخش مهمی از راه‌حل‌های بینایی ماشین را تشکیل می‌دهند. یادگیری عمیق، شرکت‌ها را قادر می‌سازد تا شبکه‌های عصبی را بدون هیچ‌گونه دانش تخصصی عمیق و با حداقل تلاش، خصوصاً هنگام برنامه‌نویسی دسته‌های نقص در حین بازرسی خطا، آموزش دهند. نتیجه این است که شرکت‌ها می‌توانند در هزینه‌های خود صرفه‌جویی کرده و از نرخ شناخت قوی‌تر و همچنین نتایج طبقه‌بندی بهتری بهره‌مند شوند.