Deep Learning for Machine VisionAurora Vision: Deep Learning Add-on
Deep Learning Add-on เป็นเทคโนโลยีที่ก้าวล้ำสำหรับ Machine Vision ประกอบไปด้วยชุดเครื่องมือสำเร็จรูป 5 ชุด ที่ได้รับการ train ด้วยภาพตัวอย่าง 20-50 ภาพ จากนั้นใช้ในการตรวจจับวัตถุ ข้อบกพร่อง หรือคุณสมบัติโดยอัตโนมัติ ภายในจะใช้โครงข่ายประสาทเทียม (Neural Networks) ขนาดใหญ่ที่ออกแบบและปรับให้เหมาะสมโดยทีมวิจัยของ Aurora Vision เพื่อใช้ในระบบ Vision System ทางอุตสาหกรรม
ทำงานร่วมกับ Aurora Vision Studio ทำให้สามารถ Train และ Deploy ระบบได้ด้วย Software ตัวเดียว
Why deep learning from Aurora Vision?
- มีระบบ User interface แบบกราฟิกที่ใช้งานง่าย สำหรับการ Train model และการออกแบบใช้งานจริงในงานของคุณ
- ไม่มีการตั้งโปรแกรม – แค่โหลดภาพ เพิ่มป้ายกำกับ “Label” แล้วคลิก “Train“
- ได้รับการปรับให้เหมาะสมด้วย Engine Inference ของ WEAVER ซึ่งทำงานอย่างรวดเร็วทั้งบน GPU และ CPU
- พิเศษสุด : คุณยังสามารถเตรียมข้อมูลการ Train ด้วยเครื่องมือออนไลน์ของ Zillin
จุดเด่นของ Aurora Vision deep learning
ใช้ภาพสำหรับการ Train น้อย
สำหรับงานทั่วไปต้องการรูปภาพ 20 ถึง 50 รูป สำหรับการ Train ยิ่งมากยิ่งดี แต่ซอฟต์แวร์ของเราจะเรียนรู้ลักษณะสำคัญภายในจากชุดของการ Train ที่จำกัด จากนั้นจึงสร้างตัวอย่างจำลองใหม่อีกหลายพันรายการสำหรับการ Train ที่มีประสิทธิภาพ
สามารถทำงานบน CPU และ GPU
เรามีความจำเป็นต้องใช้ GPU ที่ทันสมัยในการ Train AI สำหรับในการใช้งานในไลน์ผลิตเราสามารถเลือกใช้ได้ทั้ง CPU และ GPU ซึ่งปกติแล้ว GPU จะทำงานเร็วกว่า CPU ประมาณ 3 ถึง 10 เท่า ยกเว้นในกรณีใช้ Object Classification ความเร็วจะใกล้เคียงกัน
ประสิทธิภาพสูงสุด
ใช้เวลาในการ Train ภาพประมาณ 5 ถึง 15 นาที บน GPU ส่วนเวลาในการนำไปใช้งานกับไลน์ผลิตจริงจะใช้เวลาอยู่ประมาณ 5 ถึง 100 ms ต่อภาพ ขึ้นอยู่กับฮาร์ดแวร์และโปรแกรมที่ใช้ในการตรวจสอบ ด้วยประสิทธิภาพของ WEAVER Engine ทำให้เราสามารถรองรับการทำงานในโรงงานอุตสาหกรรมได้
ประเภทของ tool ที่ใช้งานในระบบ AI Vision Deep Learning
1. Anomaly Detection
เทคนิคนี้ใช้ในการตรวจหาตัวอย่างที่ผิดปกติ ต้องใช้ตัวอย่างที่ดี (OK samples) เพื่อเรียนรู้โมเดลปกติ ตัวเลือกอื่นสามารถเพิ่มตัวอย่างเท็จ (NG samples) ได้ หลายตัวอย่างเพื่อกำหนดขีดจำกัดรูปแบบที่ยอมรับได้ดีกว่า เครื่องมือนี้มีประโยชน์อย่างยิ่งในกรณีที่ระบุ NG ทุกประเภทที่เป็นไปได้ได้ยาก หรือในกรณีที่ไม่มีตัวอย่างเชิงลบ (NG sample) ผลลัพธ์ของเครื่องมือนี้คือ: ผลลัพธ์ที่จัดหมวดหมู่ (OK / NG) คะแนนความผิดปกติและ Heat Map ของความผิดปกติในภาพ
2. Feature Detection (segmentation)
เทคนิคนี้ใช้เพื่อแบ่งกลุ่มหรือแยกประเภทคุณสมบัติของพิกเซลภายในภาพได้อย่างแม่นยำ พิกเซลที่เป็นของแต่ละคลาสจะต้องถูกทำเครื่องหมายโดยผู้ใช้ในขั้นตอนการ train ผลลัพธ์ของเทคนิคนี้คืออาร์เรย์ของแผนที่ความน่าจะเป็นสำหรับทุกประเภท
3. Object Classification
เทคนิคนี้ใช้เพื่อแยกประเภทวัตถุในพื้นที่ที่เลือก โดยถูกกำหนดโดยผู้ใช้ ในตอนแรกที่ training เราจำเป็นต้องจัดเตรียม training set ของรูปภาพที่ระบุประเภทกำกับ ผลลัพธ์ของเทคนิคนี้คือ: ชื่อของประเภทที่ตรวจพบและระดับความมั่นใจในการจัดหมวดหมู่
4. Instance Segmentation
เทคนิคนี้ใช้เพื่อค้นหา แบ่งส่วน และจำแนกวัตถุหนึ่งหรือหลายวัตถุภายในรูปภาพ การ training ต้องการให้ผู้ใช้วาดขอบเขตที่สอดคล้องกับวัตถุในภาพและกำหนดประเภทให้กับภาพต่างๆ ผลลัพธ์คือรายการประเภทของวัตถุ ขอบเขต ตำแหน่ง ชื่อวัตถุ และระดับความเหมือน เหมาะสำหรับการนับจำนวนชิ้นงานที่นับยาก
5. Point Location
เทคนิคนี้ใช้เพื่อระบุตำแหน่งและจำแนกจุดสำคัญของชิ้นส่วนที่มีลักษณะเฉพาะและวัตถุขนาดเล็กภายในภาพได้อย่างแม่นยำ การ train กำหนดให้ผู้ใช้ทำเครื่องหมายตำแหน่งของจุกแต่ละจุดให้ละเอียดบนรูปภาพที่ใช้ train ผลลัพธ์ที่ได้คือตำแหน่งจุดต่างๆ ที่ predict ไว้พร้อมกับตำแหน่งและคะแนนความเชื่อมั่นที่สอดคล้องกัน
6. Reading Characters (OCR)
เทคนิคคือใช้เพื่อค้นหาและจดจำอักขระภายในภาพ ผลลัพธ์คือรายการอักขระที่พบ
ตัวอย่างการประยุกต์ใช้งาน
ขั้นตอนการ Training
1. รวบรวมภาพที่ถ่ายหน้างานจริง สิ่งแวดล้อมจริง
- เก็บภาพระหว่าง 20 ถึง 50 ภาพ (ยิ่งดี) ทั้งดีและไม่ดี แสดงถึงรูปแบบวัตถุที่เป็นไปได้ทั้งหมด บันทึกลงดิสก์
- ตรวจสอบให้แน่ใจว่าสัดส่วน การวางตำแหน่ง และแสงของวัตถุมีความสอดคล้องกันและสม่ำเสมอมากที่สุด
2. ทำการ Train
- เปิด Aurora Vision Studio และ Deep learning add on
- เปิด Deep learning editor และโหลดภาพสำหรับที่ใช้ในการ Train
- ทำการ Label กำกับรูปภาพ หรือเพิ่มเครื่องหมายโดยใช้เครื่องมือวาดภาพ (คุณยังสามารถนำเข้าข้อมูลจาก Zillin)
- คลิก “Train”
ชุดภาพสำหรับ Train และภาพสำหรับการตรวจสอบ
สำหรับ Deep learning เช่นเดียวกับในทุกสาขาวิชาของ Machine learning การปฏิบัติตามวิธีการที่ถูกต้องเป็นสิ่งสำคัญมาก กฎที่สำคัญที่สุดคือชุดภาพสำหรับ Train ออกจากภาพสำหรับการตรวจสอบ ชุดภาพสำหรับ Train คือชุดตัวอย่างที่ใช้สำหรับสร้างแบบจำลอง Model เราไม่สามารถใช้เพื่อวัดประสิทธิภาพของแบบจำลอง model ได้ เนื่องจากสิ่งนี้มักจะสร้างผลลัพธ์ที่ดีเกินไป (overoptimistic) ดังนั้นเราจึงใช้ข้อมูลที่แยกจากกัน ชุดการตรวจสอบ – เพื่อประเมินแบบจำลอง Model Aurora deep learning add on จะสร้างทั้งสองชุดโดยอัตโนมัติจากตัวอย่างที่ให้มา
3. Execute
- เรียกใช้โปรแกรมและดูผลลัพธ์
- ทำซ้ำในข้อที่ 1 หรือ 2 จนกว่าผลลัพธ์จะเป็นที่น่าพอใจ
ทดลองใช้ Aurora Vision deep learning Add on Free
เพียงแค่ท่านลงทะเบียนใน Form นี้ เราจะดำเนินการ ส่ง Demo License ให้ท่าน Free 30 วัน