Zajištění kvality pomocí umělé inteligence ML/AI
Intenzivně se zabýváme strojovým učením – podoblastí umělé inteligence.
Naše strojové učení vychází z oblasti klasického zpracování obrazu a také se točí kolem zpracování obrazových dat.
Můžeme také realizovat složitější úlohy, které vyžadují kombinaci klasických algoritmů a strojového učení nebo kombinaci různých zdrojů dat (analýza několika snímků objektu, integrace dalších dat ze senzorů nebo vstupů od uživatele).
- Klasifikace
- Multimodální zpracování dat
- Detekce a lokalizace objektů
- Detekce anomálií
Klasifikace
- Diferenciace do libovolných tříd (např. [dobrý , špatný] nebo [dobrý , typ chyby 1 , typ chyby 2]).
- Trénování na základě velkého množství trénovacích dat pro všechny třídy.
- Možnost detekce velmi jemných rozdílů.
Multimodální zpracování dat („rozšířená klasifikace“)
- Diferenciace do libovolných tříd (např. [optimální kvalita , průměrná kvalita , zmetky]).
- Trénování na základě velkého množství trénovacích dat pro všechny třídy.
- Kombinují se vstupní data z různých zdrojů, např. několik snímků z kamery, další informace o výrobku, jako je barva, tvar nebo hmotnost, nebo vstupní údaje od uživatele.
- Možnost kombinace různých algoritmů.
- Rozpoznání rozdílů, které je možné pouze na základě kombinace různých údajů. Je možná kontrola celého výrobku (např. celého povrchu prostřednictvím několika snímků, které se vyhodnocují společně).
Rozpoznávání a detekce
Detekce a lokalizace objektů
- Rozpoznávání předmětů včetně určování jejich polohy.
- Trénování na základě tréninkových dat všech objektů.
- To mimo jiné umožňuje kontrolu přítomnosti nebo počítání objektů.
Detekce anomálií
- Rozlišení mezi „normálními“ a „anomálními“ daty.
- Trénink se obvykle provádí s malým množstvím normálních a abnormálních dat. Pokud to není možné jinak, je možné trénovat na základě 100 % normálních příkladů.
- V závislosti na stupni anomálií je možná střední až dobrá přesnost detekce.
Často kladené otázky (FAQ)
Jaký je rozdíl mezi klasickým zpracováním obrazu a přístupem strojového učení?
Při klasickém zpracování obrazu člověk určí určité hodnotící znaky a naprogramuje odpovídající algoritmus založený na pravidlech.
Použití strojového učení automatizuje výběr vhodných hodnotících charakteristik. Jinými slovy, algoritmy se pomocí trénovacích dat učí, které vlastnosti jsou pro hodnocení důležité. To umožňuje řešit složité úlohy, v nichž je třeba kombinovat a zohlednit velké množství znaků.
Jaký přínos má strojové učení pro zákazníka?
Strojové učení nabízí nové způsoby řešení úloh, které byly ještě před několika lety považovány za neřešitelné nebo příliš nákladné.
Poradíme vám osobně!
Rádi jsme tu pro vás
