ניו-טק מגזין | יוני 2018

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 )3 בחלקים שנראים דומים (תמונה 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. 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 .)4 בלתי ידועים (תמונה 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. לבדיקות Deep Learning מורכבות יכולים לסייע Deep Learning מודלי למכונות להתגבר על המגבלות הטבועות בהם על ידי הטמעת יכולת למידה עצמית של בוחן אנושי עם המהירות ועקביות של מערכת מחשב. , ניתוח 5 כפי שמראים הדוגמאות בתמונה מתאים במיוחד Deep Learning תמונה

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

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

לבדיקות פני שטח קוסמטיות המורכבות מטבעם, טקסטורות המשתנות בן חלק לחלק בדרכים מתוחכמות אך נסבלות, ובמקומותשווריאציותמיקוםיכולותלמנוע שימוש בשיטות המבוססות על אלגוריתמי Deep מציאת צורות מסורתיים. טכנולוגית מצטיינת בהתייחסות אל פני Learning 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 שונה מאלגוריתמי Deep Learning מבוסס הראייה המסורתית של המחשב ביכולת תפיסתה והבנתה של מראה החלק על סמך המאפיינים הייחודיים שלו - גם כאשר מאפיינים אלה משתנים מעט או הרבה.

הבחירה בין מערכת ראיה ממוחשבת מסורתית או Deep Learning מבוססת הבחירה בין ראיית מכונה מסורתית תלויה בסוג הדרישה, Deep Learning ל- 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 Deep או כלי מדידה בדיוק רב, ושימוש ב כדי לבחון את האזור. התוצאה Learning

New-Tech Magazine l 46