Co je strojové vidění
Technologie pro bezchybnou kontrolu
Precizní řešení. Přesné výsledky.
Kamera (oko) pozoruje probíhající proces, sledovaná data zašle do počítače, kde je neuronová síť (mozek) zpracuje.
Rozdíl oproti lidskému oku a mozku je v přesnosti pozorování.
Kamera ve spojení s neuronovou sítí nepodléhá vnějším vlivům jako je únava, oční vady a další faktory, které mohou ovlivnit pozorování. Tím zaručuje stálost a přesnost výsledků. Stejně jako mozek, tak i neuronová síť se dokáže učit, a tím zlepšovat své výsledky.
Všechna data lze shromažďovat a zpracovat pro následnou úpravu procesů a omezení nedostatků.
Klasické počítačové algoritmy nejsou vhodné pro řešení problémů, které jsou obtížné pro člověka. Například výpočet průměru z milionu čísel, faktorizace velkých čísel nebo řešení složitých rovnic.
Poměrně snadno lze i naprogramovat přesně definovatelné úlohy typu nalezení všech červených kruhů na obrázku.
Pokud ale chceme naprogramovat funkci která, která je pro člověka relativně snadná, třeba rozpoznání psa od kočky na fotografii, narazíme při použití klasických metod algoritmizace na v podstatě nepřekonatelné obtíže.
Řešením obtížných úloh je použití strojového učení a neuronových sítí.
Základní koncept jednoduché neuronové sítě byl nastíněn již v 50. letech. Myšlenka zůstala v podstatě nevyužita až do konce 80. let, kdy byl objeven algoritmus zpětného šíření pro trénování neuronových sítí. První úspěšnou aplikací byla klasifikace ručně psaných čísel od společnosti Bell LAbs, používaná pro čtení směrovacích čísel poštou USA. Pro jednoduché neuronové sítě v té době bylo největším problémem určení příznaků, které muselo být konstruováno před samotným učením člověkem.
Po roce 2011 začal rychlý vývoj neuronových sítí založených na hlubokém učení. Díky zvyšujícímu se výkonu GPU a pokroku v konstrukci vedoucí k neuronových sítí s hlubokým učením (DNN – DeepNeuralNetwork), došlo k úplné automatizaci konstrukce příznaků během procesu učení.
Všechno to bylo umožněno do značné míry příchodem platformy NVIDIA CUDA v roce 2007 a extrémně výkonných grafických karet, které jsou nutné pro trénování DNN na dostačeném počtu vstupních dat.
V dnešní době je internet plný příkladů jak poměrně jednoduše použít natrénovanou DNN pro klasifikaci obrázků nebo detekci objektů v obrázcích. Modely NS jsou trénovány na desítkách tisíc obrázků.
S hlubšími znalostmi strojového učení a metod klasického zpracování obrazu je však možné oboje vhodně zkombinovat. Neuronovou síť je možné úspěšně použít i na detekci objektů na obrázku, který by byl bez předchozího zpracovaní obtížně rozpoznatelný i pro člověka. Díky předučeným modelům je možné úspěšně natrénovat DNN i na malém množství vzorků a například rozpoznávat škrábance na povrchu a jiné povrchové vady.
Kde lze využít strojové vidění
PříkladyPoptat řešení
Kontaktujte násCo je hluboká neuronová síť
Klasické počítačové algoritmy nejsou vhodné pro řešení problémů, které jsou obtížné pro člověka. Například výpočet průměru z milionu čísel, faktorizace velkých čísel nebo řešení složitých rovnic.
Poměrně snadno lze i naprogramovat přesně definovatelné úlohy typu nalezení všech červených kruhů na obrázku.
Pokud ale chceme naprogramovat funkci která, která je pro člověka relativně snadná, třeba rozpoznání psa od kočky na fotografii, narazíme při použití klasických metod algoritmizace na v podstatě nepřekonatelné obtíže.
Řešením obtížných úloh je použití strojového učení a neuronových sítí.
Základní koncept jednoduché neuronové sítě byl nastíněn již v 50. letech. Myšlenka zůstala v podstatě nevyužita až do konce 80. let, kdy byl objeven algoritmus zpětného šíření pro trénování neuronových sítí. První úspěšnou aplikací byla klasifikace ručně psaných čísel od společnosti Bell LAbs, používaná pro čtení směrovacích čísel poštou USA. Pro jednoduché neuronové sítě v té době bylo největším problémem určení příznaků, které muselo být konstruováno před samotným učením člověkem.
Po roce 2011 začal rychlý vývoj neuronových sítí založených na hlubokém učení. Díky zvyšujícímu se výkonu GPU a pokroku v konstrukci vedoucí k neuronových sítí s hlubokým učením (DNN – DeepNeuralNetwork), došlo k úplné automatizaci konstrukce příznaků během procesu učení.
Všechno to bylo umožněno do značné míry příchodem platformy NVIDIA CUDA v roce 2007 a extrémně výkonných grafických karet, které jsou nutné pro trénování DNN na dostačeném počtu vstupních dat.
V dnešní době je internet plný příkladů jak poměrně jednoduše použít natrénovanou DNN pro klasifikaci obrázků nebo detekci objektů v obrázcích. Modely NS jsou trénovány na desítkách tisíc obrázků.
S hlubšími znalostmi strojového učení a metod klasického zpracování obrazu je však možné oboje vhodně zkombinovat. Neuronovou síť je možné úspěšně použít i na detekci objektů na obrázku, který by byl bez předchozího zpracovaní obtížně rozpoznatelný i pro člověka. Díky předučeným modelům je možné úspěšně natrénovat DNN i na malém množství vzorků a například rozpoznávat škrábance na povrchu a jiné povrchové vady.
