SI w kontroli jakości
Kolejny ważny obszar zastosowań sztucznej inteligencji w przemyśle stanowi kontrola jakości. W tej dziedzinie AI współpracuje głównie z systemami wizyjnymi. Dzięki niej wykrywanie defektów staje się szybsze i dokładniejsze. Algorytmy przetwarzania obrazów wykorzystujące techniki SI znajdują nawet najmniejsze skazy, których ludzkie oko nie jest w stanie zauważyć.
W inspekcji jakości na podstawie obrazów popularne są takie algorytmy, jak: klasyfikacja obrazów, detekcja obiektów, segmentacja i detekcja anomalii. Każda technika ma swoje zalety i ograniczenia, w zależności od złożoności, zmienności i rozmiaru obrazów oraz specyfiki obiektów kontroli.
Klasyfikacja obrazów polega na kategoryzowaniu i przypisywaniu etykiet do grup pikseli w obrazie według określonych kryteriów. W tym zastosowaniu sprawdzają się splotowe sieci neuronowe.
W zakresie lokalizowania i identyfikacji obiektów na obrazach też popularne są techniki głębokiego uczenia. Są to zwykle algorytmy jedno- lub dwuetapowe, zależnie od tego, czy zadania rozpoznania obiektu, jego sklasyfikowania oraz określenia jego granic są realizowane w jednym czy w dwóch krokach.
Zaletą pierwszych jest duża wydajność, uzyskiwana jednak kosztem precyzji. Są projektowane pod kątem szybkości wnioskowania, dzięki czemu sprawdzają się w aplikacjach czasu rzeczywistego. Trudność sprawia im niestety rozpoznawanie obiektów o nieregularnych kształtach i grup małych obiektów. W algorytmach dwustopniowych najpierw wyszukiwany jest obszar zainteresowania, a dopiero potem następuje klasyfikacja obiektu, oparta na cechach wyodrębnionych z danego fragmentu obrazu za pomocą metody regresji obwiedni. Są one dokładniejsze, ale wolniejsze.
Segmentację wykorzystuje się w wyodrębnianiu elementów pierwszego planu lub innych obszarów zainteresowania z tła. Wykrywanie anomalii pozwala z kolei znaleźć nieprawidłowe albo nietypowe wzorce na obrazach wskazujące na defekty. Algorytmy sztucznej inteligencji analizują informacje z systemów wizyjnych również w systemach sterowania robotami przemysłowymi.
Czym są cyfrowe bliźniaki?
Cyfrowy bliźniak (digital twin) to wirtualna reprezentacja, odpowiadająca atrybutom i zachowania obiektu, którym może być urządzenie, linia produkcyjna lub system. Replika taka powinna spełniać wymagania danego zestawu przypadków użycia, od których zależy stopień skomplikowania odwzorowania. W związku z tym implementacje cyfrowych bliźniaków czasem wykorzystują złożone modele obliczeniowe, a niekiedy mały zestaw atrybutów i informacji. W praktyce są to jednak zawsze kompletne i gotowe do użytku środowiska, złożone ze wzajemnie ze sobą powiązanych danych, modeli i interfejsów. Te ostatnie udostępniają dane, pozwalają wywoływać polecenia i uruchamiać modele, zapewniając łączność i interakcje między odrębnymi wirtualnymi reprezentacjami oraz nimi a innym oprogramowaniem. Źródłem danych jest rzeczywisty obiekt, którego odwzorowaniem staje się cyfrowy bliźniak. Modele z kolei mogą być oparte na ogólnych zasadach matematyki, fizyki, chemii, inżynierii materiałowej czy statystyce, a opracowane z wykorzystaniem technik sztucznej inteligencji. Niezbędne są także te zorientowane na wizualizację, jak modele 3D i wykorzystujące rzeczywistość wirtualną albo rozszerzoną. Cyfrowe repliki mają szereg zastosowań (patrz ramka: Cyfrowe bliźniaki – aplikacje).
