Нейросети проникают во многие сферы нашей жизни. Производство и промышленность - не исключение. Подробнее о применении и использовании нейросетей в промышленности рассказывает эксперт в области нейронных сетей и машинного зрения, генеральный директор Quatromatic Константин Панченко.
Нейронные сети – это математический аппарат, который наиболее широко применяется в задачах компьютерного зрения для решения следующих типовых задач:
- детекции, то есть обнаружения и выделения объектов интереса на изображении;
- классификации - отнесения всего изображения к одному из классов.
Задачи детекции и классификации - базовые и взаимосвязанные задачи для работы нейросетей. Например, для того чтобы выделить на изображении собаку и велосипед, как правило, сначала решается задача детекции – мы ищем все объекты интереса на изображении, затем каждый объект вырезается в отдельное изображение, которое уже классифицируется как собака или велосипед.
Подробнее можно прочитать в нашей статье «Индустрия 4.0. Применение машинного зрения на производстве»
Нейронные сети способны самостоятельно выявлять значимые признаки в данных и таким образом находить нужные объекты. Главное, правильный набор данных и большое количество обучающих примеров.
Нейросеть - это машинная интерпретация мозга человека, в котором находятся миллионы нейронов передающих информацию в виде электрических импульсов. И если человек может визуально распознать объекты, то и нейросеть можно этому обучить. Причем, нейросеть будет выполнять эту задачу гораздо быстрее человека, в силу того, что камеры машинного зрения гораздо более продвинутые по сравнению с человеческим глазом. Например, в одном из наших проектов мы классифицировали качество печати на этикетке йогурта со скоростью 20 баночек в секунду. Глазами этого просто не увидеть.
Развитие российских технологий в области нейронных сетей характеризуют четыре основных направления:
- Глубокие соревнующиеся сети для имитации данных (GAN, Domain Transfer Learning, Zero-Shot Learning). Существенно помогают решить проблему с дополнительным созданием обучающей выборки для нейронных сетей, которые уже занимаются распознаванием.
- Интерпретация динамической визуальной информации на естественном языке (Action Detection and Prediction, Video Annotation, Video and Language Understanding, Text-to-Video, VQA). Детекторы активности, которые помогут распознавать движение объектов на производстве.
- Обучение сетей как активных агентов (Reinforsement Learning, Lifelong Learning). Обучение сети без учителя.
- Глубокое обучение с использованием структурных моделей, баз знаний и программ логического вывода (Graph Structured CNN, Deep Visual Reasoning). Понимание сцены – это самое высокоинтеллектуальное, что может быть в системе видеонаблюдения. Компьютер будет описывать то, что происходит, например "машина с песком приехала и высыпала песок в нужный бункер". Это новый уровень взаимодействия человека с компьютером и понимания компьютером того, что происходит на сцене.
Одно из перспективных направление применения искусственных нейронных сетей сегодня – это промышленное производство. В этой области мы видим тенденцию перехода к производственным модулям с высоким уровнем автоматизации для решения конкретных задач, что требует увеличения количества интеллектуальных машин. Современные разработки позволяют создавать кастомизированные решения для разных отраслей и под разные узкоспециализированные задачи.
За счет того, что современное производство постоянно усложняется, использование нейросетей становится необходимым для решения таких задач как:
- управление манипуляторами и робототехникой;
- контроль качества продукции на производстве;
- обеспечение безопасности производства;
- управление процессами: оптимизация режимов производственных процессов;
- мониторинг и визуализация диспетчерской информации;
- хранение, анализ и обработки информации.
Разработки в области нейросетей для применения на производстве имеют большой потенциал для производственных предприятий в России. Это не только и не столько про обнаружение дефектов здесь и сейчас, а скорее про сбор больших данных, анализ которых может значительно повысить эффективность производства в наше непростое время.
Отрывок статьи опубликован на сайте правительства Москвы
