Intelig\u00eancia artificial em sistemas de vis\u00e3o<\/strong><\/p>\n\n\n\n Primeiro eu faria uma explica\u00e7\u00e3o r\u00e1pida dos termos e princ\u00edpios de opera\u00e7\u00e3o. Pref\u00e1cio isto dizendo que o que se segue \u00e9 uma grande simplifica\u00e7\u00e3o desta ci\u00eancia complexa, com termos que nem sempre s\u00e3o cientificamente apropriados.<\/p>\n\n\n\n Aprendizagem de M\u00e1quina, Aprendizagem Profunda e Redes Neurais<\/strong> fazem todos parte da grande fam\u00edlia deIntelig\u00eancia Artificial<\/strong>.<\/p>\n\n\n\n O Aprendizagem de M\u00e1quina<\/strong> (em italiano Aprendizagem autom\u00e1tica<\/strong>) s\u00e3o um conjunto de algoritmos para aprender informa\u00e7\u00e3o e gerar decis\u00f5es a partir de um conjunto de dados de aprendizagem sem utilizar modelos matem\u00e1ticos ou estat\u00edsticos pr\u00e9-determinados.<\/p>\n\n\n\n Na pr\u00e1tica, em sistemas de vis\u00e3o mec\u00e2nica que utilizam a aprendizagem de m\u00e1quinas, normalmente fornece ao algoritmo uma s\u00e9rie de imagens de defeitos para que estes sejam posteriormente reconhecidos como tal.<\/p>\n\n\n\n Esta a\u00e7\u00e3o \u00e9 chamada de Aprendizagem supervisionada <\/strong>e \u00e9 o tipo de aprendizagem mais utilizado em sistemas de vis\u00e3o mec\u00e2nica deste tipo. Os dados de aprendizagem de entrada (as imagens dos defeitos e a informa\u00e7\u00e3o relacionada com a sua caracteriza\u00e7\u00e3o) s\u00e3o seleccionados manualmente, ou seja, supervisionados. Toda esta informa\u00e7\u00e3o \u00e9 \"digerida\" pelo algoritmo de tal forma que identifica uma regra geral que lhe permite encontrar os defeitos catalogados nas imagens que ver\u00e1 de tempos em tempos.<\/p>\n\n\n\n Uma esp\u00e9cie de caixa m\u00e1gica que aprende com as imagens das falhas e fornece um julgamento sobre a imagem que voc\u00ea est\u00e1 vendo naquele momento.<\/p>\n\n\n\n Na nossa caixa m\u00e1gica est\u00e3o alguns redes neurais<\/strong>ou seja, algoritmos capazes de aprender, um pouco como a mente humana. Em 2019, at\u00e9 29 tipos b\u00e1sicos de redes neurais<\/strong>5 destes s\u00e3o definidos como Profundo.<\/strong> A principal diferen\u00e7a entre um rede neural simples<\/strong> e um rede neural profunda<\/strong> est\u00e1 no n\u00famero de camadas intermedi\u00e1rias ocultas. A rede neural simples tem apenas uma camada intermedi\u00e1ria, ao contr\u00e1rio da rede neural profunda que tem mais de uma, cada camada corresponde a um n\u00edvel diferente de abstra\u00e7\u00e3o do \"racioc\u00ednio\".<\/p>\n\n\n\n O Aprendizagem profunda<\/strong>A elabora\u00e7\u00e3o das informa\u00e7\u00f5es realizadas por uma rede neural profunda, ou seja, a elabora\u00e7\u00e3o das informa\u00e7\u00f5es realizadas por uma rede neural monocamada, d\u00e1 freq\u00fcentemente resultados mais confi\u00e1veis do que aqueles realizados por uma rede neural monocamada.<\/p>\n\n\n\n Vantagens e desvantagens da aprendizagem mec\u00e2nica em sistemas de vis\u00e3o mec\u00e2nica<\/strong><\/p>\n\n\n\n Machine Learning e Deep Learning s\u00e3o duas palavras que t\u00eam sido muito usadas ultimamente no ambiente da Ind\u00fastria 4.0. Independentemente dos aspectos \"da moda\" dos dois termos, devemos compreender se estas tecnologias podem ser utilizadas de forma rent\u00e1vel.<\/p>\n\n\n\n A resposta a esta pergunta depende do tipo de aplica\u00e7\u00e3o do sistema de vis\u00e3o.<\/p>\n\n\n\n Vejamos as principais vantagens.<\/p>\n\n\n\n Agora vamos olhar para as desvantagens.<\/p>\n\n\n\n Solu\u00e7\u00e3o VEA para Aprendizagem Autom\u00e1tica em Sistemas de Vis\u00e3o<\/strong><\/p>\n\n\n\n Testes realizados em alguns dos nossos clientes mostraram que as tecnologias de Aprendizagem Profunda s\u00e3o muito boas porque s\u00e3o capazes de catalogar eficazmente um bom n\u00famero de falhas, mas s\u00e3o dispendiosas de gerir e n\u00e3o conseguem ultrapassar o n\u00edvel de fiabilidade que os actuais algoritmos propriet\u00e1rios da \"l\u00f3gica h\u00edbrida\" t\u00eam. Na verdade, os actuais algoritmos VEA em \"l\u00f3gica h\u00edbrida\" s\u00e3o hoje mais funcionais, mais r\u00e1pidos de implementar e acima de tudo mais fi\u00e1veis e control\u00e1veis do que uma rede neural \"profunda\".<\/p>\n\n\n\n Algoritmos em \"l\u00f3gica h\u00edbrida\", desenvolvidos desde 2007 pela VEA, j\u00e1 adotam uma aprendizagem supervisionada pr\u00e9-definida, parcialmente baseada em rede neural, mas adotando l\u00f3gicas estat\u00edsticas e matem\u00e1ticas para fortalecer sua estabilidade.<\/p>\n\n\n\n Os \u00faltimos tipos de redes neurais profundas, juntamente com a crescente capacidade de elabora\u00e7\u00e3o dos processadores, apresentam no entanto v\u00e1rias vantagens. A solu\u00e7\u00e3o, portanto, \u00e9 minimizar as desvantagens.<\/p>\n\n\n\n Da\u00ed a tecnologia propriet\u00e1ria Aprendizagem por M\u00e1quina Regulamentada<\/strong>. \u00c9 um conjunto de algoritmos h\u00edbridos formados por dois conjuntos de l\u00f3gica distintos.<\/p>\n\n\n\n O primeiro grupo de \"aprendizagem\" \u00e9 formado por L\u00f3gicas de Aprendizagem Profunda que aprendem a hist\u00f3ria dos defeitos, abstraindo os conceitos.<\/p>\n\n\n\n O segundo grupo \"supervis\u00e3o\" \u00e9 formado por l\u00f3gicas h\u00edbridas capazes de avaliar se o resultado do grupo \"aprendizagem\" \u00e9 suficientemente confi\u00e1vel, no caso oposto os resultados das l\u00f3gicas de \"supervis\u00e3o\" s\u00e3o tomados como refer\u00eancia.<\/p>\n\n\n\n O uso complementar das duas l\u00f3gicas tem dado at\u00e9 agora excelentes resultados sem perder a confiabilidade.<\/p>\n\n\n\n Al\u00e9m disso, o n\u00edvel de abstrac\u00e7\u00e3o da l\u00f3gica de Aprendizagem Profunda \u00e9 t\u00e3o elevado que permite a constru\u00e7\u00e3o de \"pacotes\" de aprendizagem pr\u00e9-constitu\u00eddos, evitando longas e dispendiosas sess\u00f5es de aprendizagem \u00e0s custas do cliente.<\/p>","protected":false},"excerpt":{"rendered":" Os sistemas de vis\u00e3o mec\u00e2nica est\u00e3o fazendo cada vez mais uso das tecnologias Machine Learning, Deep Learning e Neural Network. O significado destes termos nem sempre \u00e9 claro para todos. Contudo, n\u00e3o cometa o erro de considerar estas tecnologias como a solu\u00e7\u00e3o para resolver qualquer problema de vis\u00e3o. Melhor do que saber os limites para poder ...<\/p>\n![\"aprendizagem](\"https:\/\/vea.it\/wp-content\/uploads\/2021\/01\/deep-learning.png\")
<\/figure><\/div>\n\n\n\n