Latest News

Deep Learning למערכות בקרת יצור מבוססות ראיה ממוחשבת

תמונה 1: פקחים אנושיים מיומנים
בלמידה על ידי דוגמאות ומעריכים בקלות
חריגות מותרות. ראיית מכונה, לעומת זאת,
מציע את המהירות ואת החוסן שרק מערכת
ממוחשבת יכולה להציע.

מהו Deep Learning:

החל מהטלפונים שבכיסינו ועד לרכבים אוטונומיים, מוצרי הצריכה שלנו החלו לאמץ את טכנולוגית מבוססתDeep Learning המבוססת על רשתות נוירונים. Deep Learning התפתחה כטכנולוגיה מכוננת במערכות זיהוי טקסט, דיבור ופנים אשר נמצאות בשימוש כיום בטלפונים הניידים, שעונים חכמים ומוצרים לבישים אחרים. בתקופה האחרונה טכנולוגית ה-Deep Learning החלה להיות משולבת בתחומים רבים נוספים ממערכות דיאגנוסטיקה רפואיות, מערכות אבטחה באינטרנט, חיפש תבניות מחזוריות וביצוע החלטות עסקיות קריטיות. טכנולוגיה זו מבצעת כיום גם את צעדיה לתוך עולם היצור לביצוע ביקורת איכות וכן מגוון פעולות שדרשו עד היום החלטת בוחן אנושי.

באופן עקרונית Deep Learning באה ללמד רובוטים ומכונות את מה שלנו האנשים הוא טבעי – לימוד על ידי דוגמאות. עקב ירידת מחירי מערכות המחשוב ושימוש בחומרת חישוב המבוססת על GPU של כרטיסים גרפיים,  קל מאוד ליישם מערכת קבלת החלטות שקיבלה את השראתה ממערכות ביולוגיות מרובת שכבות נוירונים אשר מחקה את מבנה רשתות נוירונים הקיימות במוח האנושי. טכנולוגיה זאת נותנת כיום ליצרנים יכולות מדהימות לזיהוי תמונות, טרנדים, חיזוי וקבלת החלטות. החל מהלימוד הראשוני מערכות Deep Learning יכולות להמשיך ולשפר את ביצועיהם ככול שיוצגו להם יותר דוגמאות (תמונות, תבניות קול, טקסטים).

ניתוח\הבנת תמונה מבוססת Deep Learning משלבת את הגמישות הלוגית של בוחן אנושי ביחד אם האמינות, עקביות והמהירות של מערכות ממוחשבות. מודלי Deep Learning יכולים לפתור בצורה עקבית ומדויקת בעיות ראיה ממוחשבת בעיתיות שהיו קשות מאוד עד בלתי אפשריות לפתרון ולתחזוק בעזרת מערכות ראיה ממוחשבת שהיו זמינות עד היום. מודלי Deep Leaning יכולים לזהות בעיות קשות לזיהוי בחלקים בזמן שהם מתעלמות מווריאציות טבעיות הקימות בין החלקים, כמו כן לימוד חלקים חדשים אינו דורש תכנות מחדש של אלגוריתמי הליבה של התוכנה.

תוכנות Deep Learning יכולות כעת לבצעה החלטה על סמך מיקום, זיהוי המוצר, פגם או הטקסט בצורה יותר יעילה מבוחן אנושי או תוכנה מבוססת על אלגוריתמי ראיה ממוחשבת מסורתיים. יותר ויותר יצרנים מובילים כיום פונים לפתרונות מסוג Deep Learning ובינה מלאכותית לפתרון של בעיות היצור המורכבות שלהם.

ראיה ממוחשבת עבור תהליכי הרכבה

כבר עברו הימים שבהם אנשים היו יושבים לאורך פסי יצור במפעלי הרכבה אלקטרונים, כיום מכונות נבנות לצורך ביצוע פעולות ההרכבה בפסי היצור וכן האוטומציה של הזנת חומר או חלקי הגלם למכונות אילו. מערכות ראיה ממוחשבת יודעות לזהות חלקים ולכוון רובוטים בדיוק ובקצב גבוה יותר מכל מפעיל אנושי וכך מאפשרות לייצר רכיבים שלא היה ניתן ליצרם בצורה ידנית. בפס יצור, מערכות ראיה ממוחשבת יכולות לבחון מאות ואף אלפי חלקים בדקה בצורה מהימנה ועקבית. לאורך העשורים האחרונים השתמשו במערכות ראיה ממוחשבת לזיהוי חלקים, מציאת דפקטים, זיהוי תהליכים ביצור ועוד. השימוש במערכות אילו גדל לאורך השנים עקב השיפור באלגוריתמים, האצת מהירות עיבוד של המחשבים וכן ירידת מחירי החומרה. מערכת ראייה שבנויה סביב מצלמה ברזולוציה הנכונה, עדשות ותאורה מתאימה יכולה לזהות פגמים שלא נראים בעין האנושית בעקביות ודיוק הגבוהים יותר מכל בודק אנושי, לאורך זמן.

תמונה 2: מפתחי יישומים עשויים
להיאבק בתכנות בדיקות מוכבות
של סטייה וליקוים בלתי צפויים
באלגוריתם מבוסס חוקים.

הקושי שבגיוון

המערכות הסטנדרטיות לראיה ממוחשבת פועלות בצורה טובה על חלקים המיוצרים ביצור סידרתי כאשר החלקים מגיעים באותה צורה ונראים זהים אחת לשנייה (מלבד הפגומים). התוכנה לרוב מבוססת על זיהוי אלמנטים בתמונה כגון קווים, עיגולים, כתמים או צורות ואז ביצוע בדיקה היחס בין אלמנטים אילו כגון מרחק בין שני קווים או זווית ביניהם, גודל כתם, ספירת מספר צורות בתמונה וכן הלאה.. .אולם שיטה זאת פחות מתאימה כאשר מספר הפגמים האפשריים גדל או שישנה ווריאציה בין חלקים תקינים והפגמים יכולים להיות קטנים יותר מהווריאציה התקינה בין החלקים. לכן ישנם בדיקות מסוימות שהם קשות במיוחד עבור מערכות ראיה ממוחשבת מסורתית כגון בדיקת הרכבה עבור חלקים מרובי אלמנטים ששם כמות הבדיקות ואפשרויות התקלה והשוני בין חלקים תקינים גדול מאוד. (תמונה 2).

למרות שמערכות ראיה מסורתיות יכולות לטפל בגיוון מסוים בחלק שאותו היא בודקת כגון גודל, סיבוב או מיקום בתמונה. יהיה לה קשה מאוד לטפל בחלקים בעלי טקסטורה או פני שטח שמשתנים בין החלקים כמו כן יהיה לה קשה לטפל בחלקים שנראים דומים (תמונה 3)

הבדלים או חריגות הקיימים בין חלקים יכולים להיות סיבה לדחייה, תלוי איך המשתמש מסווג אותם. שינויים בחלק המשפיעים על הפונקציונליות של חלק, כמעט תמיד גורמות לדחייה, בעוד חריגות קוסמטיים יכולות לגרום לדחייה, בהתאם לצרכי היצרן והעדפתו. הבדל זה בין שינויים קריטיים למוצר או שינויים לא קריטיים הוא בעייתי ביותר עבור יכולת ההבחנה של מערכת ראייה מכונה מסורתית.

תמונה 3: רקע מבלבל ובוהק יכול להקשות על מערכות ראייה ממוחשבת מסורתית,
כאשר נידרש להעריך הבדלים קלים בין תמונות. במקרה זה, מודל Deep Learning רואה
מעבר למשטח המתכת ולבוהק הזוויתי כדי לבדוק אם יש כבל מתכת במרכב רכב.

יתרונות הבחינה האנושית

בניגוד לראיית מכונה מסורתית, בני האדם מיומנים להבחין בין פגמים קוסמטיים וליקויים הפוגמים בפונקציונליות החלק, כמו גם להעריך וריאציות במראה חלק אשר עשוי להשפיע על איכותו. למרות המוגבלת בקצב שבו אנו יכולים לעבד מידע, בני האדם מסוגלים באופן ייחודי להמשיג ולהכליל. אנו מצטיינים בלמידה על ידי דוגמה ומסוגלים להבחין בין מה שחשוב באמת גם כשמדובר בשינויים קלים בין חלקים. זה הופך את הראיה האנושית לבחירה הטובה ביותר, במקרים רבים, עקב פרשנות איכותית של סצנה מורכבת, במיוחד אלה עם פגמים עדניים ופגמים בלתי ידועים (תמונה 4).

לדוגמה, בני האדם מדויקים יותר כאשר מתמודדים עם תווים מעוותים וקשים לקריאה, משטחים מורכבים ופגמים קוסמטיים. עבור רבים מיישומים אלה, מכונות לא יכולות להתחרות עם בני האדם בתפיסת המורכבות של החלקים.

Deep Learning לבדיקות מורכבות

מודלי Deep Learning יכולים לסייע למכונות להתגבר על המגבלות הטבועות בהם על ידי הטמעת יכולת למידה עצמית של בוחן אנושי עם המהירות ועקביות של מערכת מחשב.

כפי שמראים הדוגמאות בתמונה 5, ניתוח תמונה Deep Learning מתאים במיוחד לבדיקות פני שטח קוסמטיות המורכבות מטבעם, טקסטורות המשתנות בן חלק לחלק בדרכים מתוחכמות אך נסבלות, ובמקומות שווריאציות מיקום יכולות למנוע שימוש בשיטות המבוססות על אלגוריתמי מציאת צורות מסורתיים. טכנולוגית Deep Learning מצטיינת בהתייחסות אל פני שטח מורכבים ופגמים קוסמטיים, כמו שריטות ושקעים על חלקים בזוויות שונות, בעלי פני שטח מוברשים או מבריקים. בין אם נעשה בהם שימוש כדי למצוא, לקרוא, לבדוק או לסווג, ניתוח תמונה מבוסס Deep Learning שונה מאלגוריתמי הראייה המסורתית של המחשב ביכולת תפיסתה והבנתה של מראה החלק על סמך המאפיינים הייחודיים שלו – גם כאשר מאפיינים אלה משתנים מעט או הרבה.

תמונה 4: דוגמאות של סצנות מורכבות שבוחן אנושי מצטיין בגילויה.

הבחירה בין מערכת ראיה ממוחשבת מסורתית או מבוססת Deep Learning

הבחירה בין ראיית מכונה מסורתית ל-Deep Learning תלויה בסוג הדרישה, בכמות הנתונים המעובדים וביכולות העיבוד. ואכן, על היתרונות הרבים שלה, הלמידה העמוקה אינה הפתרון הנכון ליישומים רבים. טכנולוגיות ראיה ממחושבת מסורתיות מבוססות-חוקים ולרוב החוקים מבוססים על מדידות, כמו כן על מציאת החלקים בצורה מדויקת. במקרים מסוימים, ראיה ממוחשבת מסורתית עשוי להיות הבחירה הטובה ביותר לצורך מיקום או הכוונה של רובוטים או כלי מדידה בדיוק רב, ושימוש בDeep Learning כדי לבחון את האזור. התוצאה של Deep Learning עשויה להיות מוזנת חזרה למערכת הראייה המסורתית כדי לבצע מדידות מדויקות של גודל הפגמים וצורתם.

Deep Learning משלימה גישות המבוססות על כללים, ומפחיתה את הצורך במומחים בתחום הראייה הממוחשבת לצורך פיתוח אפליקציית ראיה ממוחשבת יעילה. במקום זאת, Deep Learning הפכה אתגרים הנדסיים שדרשו בעבר מומחי ראייה ממוחשבת לאפליקציות הניתנות לפתרון במהירות על ידי טכנאים. Deep Learning מעבירה את הנטל הלוגי ממפתח היישומים, המפתח תסריט אלגוריתם מבוסס-כללים, למהנדס המאמן את המערכת. מהלך זה פותח מגוון חדש של אפשרויות לפתרון יישומים שמעולם לא היו אפשריים לבדיקה אלה רק על ידי בוחן אנושי. בדרך זו, Deep Learning הופכת ראיית ממוחשבת לקלה יותר, תוך הרחבת הגבולות של מה שהמחשב והמצלמה יכולים לבדוק. תמונה 6 להלן מזהה את היישומים המתאימים ביותר לראיית מכונה מסורתית מול אפליקציות הדורשות Deep Learning, כולל אלה המתאימים לשני השיטות.

תמונה 5: עיבוד תמונה מבוסס Deep Learning מצטיין בזיהוי חריגות «
«
קוסמטיים ופונקציונליים שמערכות ראיה ממוחשבת סטנדרטיות מתקשות בהם,
והוא עושה זאת מהר יותר ובאמינות גבוה יותר מאשר בוחן אנושי

VIDI של קוגנקס

קוגנקס ™ViDi היא תוכנה לניתוח תמונות בעזרת טכנולוגית Deep Learning המכוונת לשימוש ביישומי ראיה ממוחשב תעשייתית. קוגנקס ViDi לומדת מתמונות שמוגדרות כתקינות או פסולות שמציגות פגמים, בדיוק כמו תהליך לימוד של בוחן אנושי. עבור פגמים ידועים בסביבה משתנה המערכת לומדת בצורה מפוקחת שבה המפעיל מסמן לתוכנה מהם הפגמים. עבור פגמים שונים ולא ידועים המערכת מתאמנת במצב ללא פיקוח שבה מוזנים לתוכנה תמונות תקינות של אובייקט, כולל וריאציות משמעותיות אך מותרות. בהתבסס על התמונות המייצגות, התוכנה יוצרת את מודל הייחוס שלה. זהו תהליך איטרטיבי של שיפור מתמיד, שבמהלכו ניתן להתאים את הפרמטרים ואת התוצאה עד שהמודל המתקבל פועל לשביעות רצון המפעיל. במהלך ריצה, ViDi שואבת נתונים ממערכת חדשה של תמונות, והרשתות העצביות שלה מוצעות חלקים, בודקות עבור פגמים ומסווגות את החלקים, מצבים או פגמים. איור 7 מסביר את תהליך ההכשרה והפריסה של יישומים מבוססי למידה בעזרת תוכנת  ViDiשל קוגנקס.

קוגנקס ViDi עובד עם מספר קטן של תמונות לימוד, בניגוד לאלפי תמונות הנדרשות עבור תוכנות Deep Lerning אחרות. ViDi גם דורשת רק כוח מחשוב מוגבל, המחייב כרטיס גרפי המכיל GPU אחד במחשב. שני המאפיינים ההופכים את VIDI לאידיאלית עבור מפעל וסביבות ייצור, שבהם יכולות העיבוד ומספר התמונה הקיימות מוגבלים. את ViDi ניתן לתחזק וללמד מחדש ברצפת המפעל ללא צורך בבונה מכונות או התערבות של אינטגרטור. ViDi יכולה לעבוד עם תמונות ברזולוציה גבוהה, צבעוניות, תמונות ממצלמה תרמיות, רנטגן או תלת מימד, כדי לזהות כמעט כל פגם. המערכת גם יכולה לבצע ספירות מורכבת ולפענח אותיות קשות לקריאה עם תווים מעוותים. כלים לאיתור לוקליזציה, אפיון, וסיווג ו OCR המערכת יכולה לעבוד באופן עצמאי או בשילוב עם כלי ראייה ממוחשבת אחרים של קוגנקס כדי להתמודד עם אתגרי ראייה ממוחשבת מורכבים.

תמונה ViDi :7 מאפשר לטכנאים ללמד מודלי Deep Learning בתוך דקות,
«
כאשר הלימוד מתבסס על סמך מדגם תמונות קטן יחסית. לאחר הגדרת היישום,
ViDi מספקת תוצאות מדויקות, מהירות ושומר תמונות עבור מעקב עתידי.

ViDi מאפשר לחברות שונות בתעשייה ליצור מערכות בדיקה פורצות דרך ולפרוץ את הגבולות של יכולות המכונה לקראת העתיד של האוטומציה תעשייתית. ViDi זמין בשילוב עם תוכנת VisionPro  ו-Designer לראיית מכונה, נותנת ללקוחות יכולת ייחודית לשלב ולהתאים כלים שונים בתוך אותה אפליקציה.

בדיקה ברמה בוחן אנושי, עוצמתית ומהירה

ViDi משלבת את הספציפיות והגמישות של בדיקה חזותית אנושית עם האמינות, ההדירות, וכוח החישוב של מערכת ממוחשבת – והכל בממשק קל לשימוש ופריסה.

התעשייה כיום פונה יותר ויותר לכיוון טכנולוגית Deep Learning כדי לפתור בדיקות ייצור מסובכות , הדורשות

זמן רב, ועלויות פיתוח גבוהות לפיתוח באמצעות אלגוריתמי ראיה ממוחשבת מבוססי החוקים המסורתית. שינוי זה מאפשר למכן יישומים שלא היו ניתנים לתכנות בעבר, להפחית את שיעורי השגיאה, ולהאיץ את זמני הבדיקה. Deep Learning מאפשרת ליצרנים לפתור בעיות אשר היו מאתגרים יישומים מסורתיים לראיית מכונה, ולעשות זאת בביטחון ואמינות גדולים מתמיד.

תמונה 8: אלגוריתם Deep Learning של ViDi מותאמים מיוחד לניתוח תמונות מתהליכי יצור, לפיתוח נידרש כמות תמונה
נמוכה וזמני לימוד קצרים יותר. הכלי הכחול – למציאה, אדום – לניתוח וירוק – לאפיון וכחול OCR – לקריאה פותחים את הדלת
למגוון אפליקציות חדשות שלא היה ניתן לפתור אותם עד היום

Olivier Despont, COGNEX

תגובות סגורות