Die Anwendungen und technischen Grundlagen der OPT Deep Learning Software (SciDeepVision)

Deep Learning Software (SciDeepVision)

Automatische Merkmalsextraktion

Deep Learning ist die Kerntechnologie der künstlichen Intelligenz (KI). Durch die Anwendung von Deep Learning in Bildverarbeitungssystemen wird eine Produktionsmaschine mit einer dem Menschen ähnlichen Analyse- und Lernfähigkeit ausgestattet. Die Maschine kann Aufgaben wie das Erkennen von verschiedenen Dateninformationen, wie z. B. von Texten und Bildern sowie auch anderer komplexer Mustererkennungsproblemen durchführen.

Anwendung von Deep Learning in der industriellen Bildverarbeitung

Die drei wichtigsten Elemente des Deep Learning sind Algorithmen, Rechenleistung und Daten. Für Anwendungen des maschinellen Sehens sind hohe Rechenleistungen und große Datenmengen erforderlich. Dabei stoßen Deep-Learning-Anwendungen in der Regel auf Probleme wie zu geringe und unzureichende Beispieldaten sowie eine große Abhängigkeit von der Hardwareleistung. Dies beeinträchtigt die Effizienz und Genauigkeit der Bildanalyse.

Die von OPT vorgestellte Deep-Learning-Software SciDeepVision überbrückt den Engpass des traditionellen Deep Learning, indem sie Markierung, Training und Auswertung integriert. Sie ist einfach zu bedienen und erfordert keine Programmierkenntnisse. Es extrahiert automatisch Merkmale und umfasst mehr als 20 Schlüsseltechniken und -funktionen. Darüber hinaus deckt es die Kennzeichnungsregulierung, das AI-Basismodell, die Verbesserung der Modellperformance, das Modelltraining, die Visualisierung usw. ab.

Prozessvisualisierung des Deep Learning Algorithmus

Integration von Small Sample Learning und Transfer Learning

Verringerung der Abhängigkeit von Daten

Die SciDeepVision-Software hat wichtige technologische Innovationen in der Bildanalyse erzielt, wie z. B. die Erkennung von Anomalien, die Texterkennung, das Lernen mit kleinen Stichproben, das Transfer-Lernen sowie vereinfachte Modelle. Zum Beispiel löst es die Probleme der übermäßigen Abhängigkeit von einer großen Anzahl von Daten von defekten Proben und geringer Leistungen von Hardware-Geräten. Das KI-Erkennungsmodell ist robuster und spart eine Menge Zeit und Arbeitskraft.

Die SciDeepVision-Software verwendet einen Algorithmus zur Inspektion anormaler Defekte, der nur gute Proben benötigt, so dass Defektposition nicht markieren werden müssen. Das Inspektionsmodell kann automatisch das Bild mit Defekten identifizieren und die Fehlerposition genau lokalisieren. Gleichzeitig können mit Hilfe des Erkennungsalgorithmus für kleine Textmuster aus einer kleinen Anzahl von Bildern mit Textinformationen qualitativ hochwertige Textbilder im Format des Ausgangstextes erzeugt werden.

Inspektionsvergleich von Texterkennungsalgorithmen für kleine Stichproben

Bei der Erstellung von Prüfmodellen hat eine Deep-Learning-Software in der Regel Probleme mit der Robustheit und einer schlechten Verallgemeinerbarkeit, z. B. wegen weniger Fehlerproben, großen Formabweichungen und häufigen Modelländerungen. Um solche Probleme zu lösen, hat OPT drei innovative Techniken für die SciDeepVision-Software entwickelt: die Lerntechnik für kleine Stichproben, die adaptive Trainingstechnik und die Transfer-Lerntechnik.

Die adaptive Trainingstechnik kann aus früheren Daten wertvolle Daten für die aktuelle Prüfung empfehlen und das Modell manuell beschriften und optimieren. Sie hilft, den Arbeitsaufwand für die Datensortierung um die Hälfte zu reduzieren und die Genauigkeit der KI-Modellinspektion bei geringen Trainingskosten erheblich zu verbessern.

Adaptive Trainingstechnik

Die Transfer-Learning-Technik der SciDeepVision-Software kann den Modell-Trainingszyklus verkürzen, ohne die Robustheit und Verallgemeinerung des KI-Inspektionsmodells zu beeinträchtigen. Die Qualitätsprüfung ähnlicher Prozesse kann sogar mit einem Mausklick umgestellt werden, wodurch die Zeit für eine Produktumstellung verkürzt wird.

Technik des Transferlernens

Bildverarbeitungsanwendungen auf Basis von Deep Learning

Abdeckung mehrerer Prozesse bei der Herstellung von Lithiumbatterien

Die SciDeepVision-Software ist in Branchen wie der Lithiumbatterieproduktion und 3C weit verbreitet. Bei der Herstellung von Lithiumbatterien gibt es zum Beispiel alle Arten und Formen von äußeren Mängeln, die mit herkömmlichen Methoden nicht erkannt werden können. Die SciDeepVision-Software wurde bei mehr als zehn entscheidenden Prozessen in der Lithiumbatterieherstellung erfolgreich eingesetzt, wie z. B. bei Beschichtung, Stanzen, Laserschneiden, Stapeln, Wickeln, Schweißen, Verpacken usw.

Am Beispiel der Inspektion von Schweißfehlern bei Lithiumbatterien zeigt sich, dass Schweißfehler unterschiedliche Formen haben können, was es schwierig macht, ihre Formkanten sowie zufällige Positionen von Fehler zu bestimmen. Mit Hilfe der SciDeepVision-Software können neuronale Faltungsnetzwerke für die Merkmalsextraktion verwendet werden und so schnell Informationen über die Kategorie der Defektsegmentierung ausgegeben werden.

Anwendung der SciDeepVision-Software bei der Inspektion von Registerkartenfehlern

Nichtsdestotrotz entwickelt OPT einen einheitlichen und benutzerfreundlichen Barcode-Positionierungsalgorithmus, der auf Deep Learning basiert, um Barcode-Bilder zu verbessern und zu korrigieren. Dies ermöglicht eine schnelle und hochpräzise Barcode-Positionierung mit nur einer kleinen Menge an Barcode-Daten.