K\u00fcnstliche Intelligenz in Bildverarbeitungssystemen<\/strong><\/p>\n\n\n\n Zun\u00e4chst eine kurze Erkl\u00e4rung der Begriffe und Funktionsprinzipien. Ich m\u00f6chte vorausschicken, dass das, was folgt, eine starke Vereinfachung dieser komplexen Wissenschaft ist, mit Begriffen, die nicht immer wissenschaftlich angemessen sind.<\/p>\n\n\n\n Maschinelles Lernen, Deep Learning und neuronale Netze<\/strong> sind alle Teil der gro\u00dfen Familie vonK\u00fcnstliche Intelligenz<\/strong>.<\/p>\n\n\n\n Die Maschinelles Lernen<\/strong> (auf Italienisch Automatisches Lernen<\/strong>) sind eine Reihe von Algorithmen zum Lernen von Informationen und zur Generierung von Entscheidungen aus einem Satz von Lerndaten, ohne vorgegebene mathematische oder statistische Modelle zu verwenden.<\/p>\n\n\n\n In der Praxis stellt man bei Bildverarbeitungssystemen mit maschinellem Lernen dem Algorithmus meist eine Reihe von Bildern von Defekten zur Verf\u00fcgung, damit diese sp\u00e4ter als solche erkannt werden.<\/p>\n\n\n\n Diese Aktion wird als \u00dcberwachtes Lernen <\/strong>und ist die am h\u00e4ufigsten verwendete Art des Lernens in Bildverarbeitungssystemen dieser Art. Die Eingangs-Lerndaten (die Bilder der Defekte und die Informationen zu ihrer Charakterisierung) werden manuell ausgew\u00e4hlt, d.h. \u00fcberwacht. All diese Informationen werden vom Algorithmus so \"verdaut\", dass er eine allgemeine Regel identifiziert, die es ihm erlaubt, die in den Bildern katalogisierten Defekte zu finden, die er von Zeit zu Zeit sehen wird.<\/p>\n\n\n\n Eine Art Zauberkasten, der aus den Bildern von Fehlern lernt und ein Urteil \u00fcber das Bild abgibt, das Sie in diesem Moment sehen.<\/p>\n\n\n\n In unserem Zauberkasten sind einige neuronale Netze<\/strong>d.h. Algorithmen, die lernf\u00e4hig sind, ein bisschen wie der menschliche Verstand. Im Jahr 2019 werden bis zu 29 Grundtypen von neuronale Netze<\/strong>5 davon sind definiert als Tief.<\/strong> Der Hauptunterschied zwischen einem einfaches neuronales Netz<\/strong> und einer tiefes neuronales Netzwerk<\/strong> liegt in der Anzahl der versteckten Zwischenschichten. Das einfache neuronale Netz hat nur eine Zwischenschicht, im Gegensatz zum tiefen neuronalen Netz, das mehr als eine hat, entspricht jede Schicht einer anderen Abstraktionsebene des \"Denkens\".<\/p>\n\n\n\n Die Tiefes Lernen<\/strong>, d. h. die von einem tiefen neuronalen Netz durchgef\u00fchrte Ausarbeitung der Informationen, liefert oft zuverl\u00e4ssigere Ergebnisse als die von einem einschichtigen neuronalen Netz durchgef\u00fchrten.<\/p>\n\n\n\n Vor- und Nachteile von Machine Learning in Bildverarbeitungssystemen<\/strong><\/p>\n\n\n\n Machine Learning und Deep Learning sind zwei Begriffe, die in letzter Zeit im Umfeld von Industrie 4.0 viel verwendet werden. Unabh\u00e4ngig von den \"modischen\" Aspekten der beiden Begriffe, sollten wir verstehen, ob diese Technologien gewinnbringend eingesetzt werden k\u00f6nnen.<\/p>\n\n\n\n Die Antwort auf diese Frage ist abh\u00e4ngig von der Art der Anwendung des Vision-Systems.<\/p>\n\n\n\n Schauen wir uns die wichtigsten Vorteile an.<\/p>\n\n\n\n Schauen wir uns nun die Nachteile an.<\/p>\n\n\n\n VEA-L\u00f6sung f\u00fcr maschinelles Lernen in Bildverarbeitungssystemen<\/strong><\/p>\n\n\n\n Tests, die bei einigen unserer Kunden durchgef\u00fchrt wurden, haben gezeigt, dass die Deep-Learning-Technologien sehr gut sind, da sie in der Lage sind, eine gute Anzahl von Fehlern effektiv zu katalogisieren, aber sie sind teuer in der Verwaltung und sie sind nicht in der Lage, das Niveau der Zuverl\u00e4ssigkeit zu \u00fcberwinden, das die aktuellen propriet\u00e4ren Algorithmen in \"hybrider Logik\" haben. In der Tat sind die aktuellen Algorithmen VEA in \"hybrider Logik\" heute funktionaler, schneller zu implementieren und vor allem zuverl\u00e4ssiger und kontrollierbarer als ein \"tiefes\" neuronales Netz.<\/p>\n\n\n\n Algorithmen in \"hybrider Logik\", die seit 2007 vom VEA entwickelt wurden, verwenden bereits ein voreingestelltes \u00fcberwachtes Lernen, das teilweise auf einem neuronalen Netzwerk basiert, aber statistische und mathematische Logik verwendet, um seine Stabilit\u00e4t zu st\u00e4rken.<\/p>\n\n\n\n Die letzten Typen von tiefen neuronalen Netzen, zusammen mit der wachsenden Ausarbeitungskapazit\u00e4t der Prozessoren, bieten jedoch mehrere Vorteile. Die L\u00f6sung besteht also darin, die Nachteile zu minimieren.<\/p>\n\n\n\n Daher die propriet\u00e4re Technologie Geregeltes maschinelles Lernen<\/strong>. Es handelt sich um eine Reihe von hybriden Algorithmen, die aus zwei unterschiedlichen Logiks\u00e4tzen bestehen.<\/p>\n\n\n\n Die erste \"lernende\" Gruppe wird von Deep-Learning-Logiken gebildet, die die Vorgeschichte von Defekten lernen und die Konzepte abstrahieren.<\/p>\n\n\n\n Die zweite Gruppe \"\u00dcberwachung\" wird von hybriden Logiken gebildet, die in der Lage sind zu bewerten, ob das Ergebnis der \"Lern\"-Gruppe ausreichend zuverl\u00e4ssig ist, im umgekehrten Fall werden die Ergebnisse der \"\u00dcberwachungs\"-Logiken als Referenz genommen.<\/p>\n\n\n\n Der komplement\u00e4re Einsatz der beiden Logiken hat bisher zu hervorragenden Ergebnissen gef\u00fchrt, ohne an Zuverl\u00e4ssigkeit zu verlieren.<\/p>\n\n\n\n Dar\u00fcber hinaus ist das Abstraktionsniveau der Deep-Learning-Logiken so hoch, dass die Konstruktion von vorkonfigurierten Lern-\"Paketen\" m\u00f6glich ist, wodurch lange und teure Lernsitzungen auf Kosten des Kunden vermieden werden.<\/p>","protected":false},"excerpt":{"rendered":" Bildverarbeitungssysteme nutzen zunehmend Machine Learning, Deep Learning und Neuronale Netzwerktechnologien. Die Bedeutung dieser Begriffe ist nicht immer f\u00fcr jeden klar. Machen Sie jedoch nicht den Fehler, diese Technologien als die L\u00f6sung f\u00fcr jedes Sehproblem zu betrachten. Dann ist es besser, die Grenzen zu kennen, um ...<\/p>\n![\"Deep](\"https:\/\/vea.it\/wp-content\/uploads\/2021\/01\/deep-learning.png\")
<\/figure><\/div>\n\n\n\n