کنترل کیفیت به کمک هوش مصنوعی
چندین سال است که استفاده از هوش مصنوعی در فضای اتوماسیون صنعتی در حال رشد است. اما آیا واقعا میدانید که دقیقا چه چیزی بر روی نتایج تاثیرگذار است؟
امروزه تعداد کمی از فناوریهای صنعتی باقی ماندهاند که هوشمصنوعی (AI) بدانها راه پیدا نکرده است. از کنترلکنندهها گرفته تا ERP، ایمنی غذا و رباتها، هوش مصنوعی در حال تغییر فناوریهایی است که ما برای تولید و امکانات پردازش به روشهای ظریف و یا غیر ظریف از آنان استفاده میکنیم.
کنترل کیفیت تولیدات صنعتی به کمک هوش مصنوعی
یکی از برنامههایی که پتانسیل زیادی برای بهرهمندی از هوش مصنوعی دارد، نرم افزار کنترل کیفیت تولیدات صنعتی با هوش مصنوعی است. استفاده از دوربینهای هوشمند و نرمافزارهای مجهز به هوشمصنوعی مرتبط، به تولیدکنندگان کمک میکند تا کیفی وارسی محصولات تولید خود را با سرعت بیشتر، زمان کمتر و با صرف هزینههای کمتری انجام دهند. زمان ورود این فناوریهای دوربین هوشمند کاملا اتفاقی است، و نیازهای فاصلهگذاری اجتماعی به دلیل Covid-19 را ارایه میدهد.
البته، تولیدکنندگان سالهاست که از بینایی ماشین در اپلیکیشنهای با کیفیت استفاده میکنند. اما افزودن نرمافزار کنترل کیفیت تولیدات صنعتی با هوش مصنوعی با قابلیت یادگیری عمیق نشاندهنده حرکت به فراسوی فناوریهای بینایی پیشین است.
برای کمک به درک چگونگی تغییر هوشمصنوعی در بینایی ماشین، آناتولی گورچت (Anatoli Gorchet)، بنیانگذار و مدیر ارشد فناوری در شرکت Neurala (تامینکننده نرمافزار بینایی هوشمصنوعی برای بازرسیهای صنعتی)، فرایندهای پشت رویههای سنتی بازرسی صنعتی با استفاده از بینایی ماشین را توضیح میدهد.
اولین گام شامل یک تصمیمگیری کارشناسانه است که ویژگیهایی (مانند لبهها، منحنیها، گوشهها، وصلههای رنگی و غیره) در تصاویر گرفته شده توسط دوربین مربوط به بازرسی، بررسی میشود. سپس، کارشناس کنترل کیفیت تولیدات صنعتی با هوش مصنوعی یک سیستم مبتنی بر قاعده را ایجاد میکند که جزئیات آن به عنوان مثال، مقدار “زردی” و “انحنا” یک شی را به عنوان “موز رسیده” در یک خط بستهبندی طبقهبندی میکند. سیستم حاصل، براساس ورودی کارشناسانه، به طور خودکار تصمیم میگیرد که آیا محصول همان چیزی است که انتظار میرود باشد، یا خیر.
اگرچه این روش بسیار کارآمد بوده است، ولی مواردی وجود دارد که بینایی ماشین را بیاثر میکند. گورچت (Gorchet) چنین میگوید که: “به عنوان مثال، مواردی که تفاوت بین محصولات خوب و بد بسیار کیفی، ظریف یا متغیر است، تشخیص میتواند بسیار دشوار باشد.”
این جایی است که هوشمصنوعی وارد تصویر میشود. به جای اینکه متکی بودن سیستم بینایی ماشین به قوانین ایجاد شده توسط کارشناس کنترل کیفیت تولیدات صنعتی با هوش مصنوعی، نرمافزار مجهز به هوشمصنوعی میتواند خود به تنهایی یاد بگیرد که چه جنبههایی مهم است و قوانینی ایجاد کند که ترکیبی از ویژگیهایی را تعیین سازد که کیفیت محصولات را تعریف میسازد.
گورچت چنین میگوید که: “با الگوریتمهای یادگیری شبکه عصبی، کاربران دیگر نیازی به ساخت یک مدل بینایی ماشین برای هر سناریوی تولید ندارند. آنها فقط باید دادههای مناسب را جمعآوری کنند (چه برای میوهها، قطعات هواپیما یا دریچههای تهویه و غیره) و مدل را با استفاده از آن دادهها آموزش دهند.”
نوع مدل کنترل کیفیت تولیدات صنعتی با هوش مصنوعی که گورچت در اینجا به آن اشاره میکند به عنوان “یادگیری عمیق” شناخته میشود. این سیستمها، مانند شبکههای عصبی عمیق (DNN)، به شیوهای نظارتشده آموزش میبینند تا کلاسهای ویژهای از موارد را تشخیص دهند. در یک کار بازرسی معمول، یک شبکههای عصبی عمیق (DNN) ممکن است برای تشخیص بصری (visually recognize) آموزش داده شود. به عنوان مثال، یک دریچه هواکش، بر اساس تصویرهای دریچههای خوب و بد هواکش را تشخیص دهد.
براساس گفتههای گورچت: “هنگامیکه این تصاویر جمعآوری میشوند، یک سیستم یادگیری عمیق معمولی با یک رژیم آموزشی، هنگامیکه با مقدار کافی و انواع دادههای گوناگون تغذیه شود، مدلی واقعا خوبی را آموزش میدهد که در نهایت با طبقهبندی دقیق، خطای کم، اعتماد به نفس عالی عمل میکند.
البته، اگر خط محصول کنترل کیفیت تولیدات صنعتی با هوش مصنوعی به قسمت یا محصول دیگری تغییر یابد، برای تهیه و توسعه مدل جدید، جمعآوری، آموزش و استقرار دادهها باید دوباره انجام گردد.
برای سادهسازی این روند، نوع جدیدی از DNN در حال بررسی کیفیت بازرسیهای صنعتی است. این DNNها به عنوان DNNهای یادگیری “مستمر” یا “مادام العمر” شناخته میشوند. به گفته گورچت این DNNها، آموزش ویژگیها و قوانین آموزشی برای افزودن اطلاعات قانونی جدید در در حال پرواز را جداسازی میکنند.
براساس گفتههای گورچت”مانند DNNهای معمولی، آنها نیاز به یادگیری آهسته ویژگیها بر اساس مجموعهای متعادل از دادهها دارند که شامل مقادیر مساوی از تصویرهای دریچههای خوب و همچنین هر نوع ممکن از دریچههای معیوب است. ولی برخلاف DNNهای معمولی، آنها شامل قوانین یادگیری در این مرحله نمیشوند و بنابراین نیازی به تصویرهای از تمام نقصهای شناخته شده دریچه ندارند.” وی همچنین چنین به سخنان خود افزود که: “در حقیقت، تازمانی که تصاویر از ویژگیهای مشابهی برخوردار باشند، حتما نیازی به تصاویر دریچهها نیست. این ویژگیها، شامل ویژگیهایی مانند منحنیها، لبهها، خصوصیات سطح و غیره هستند. این مجموعه داده در کنترل کیفیت تولیدات صنعتی با هوش مصنوعی میتواند کاملا عمومی باشد و لازم نیست حتما صنعتی باشند. این بدان معنا است که مدل تولیدی میتواند یک بار توسط ارائهدهنده خدمات مادامالعمر DNN انجام گردد و اصلا نیازی به نگرانی تولیدکنندگان نیست.” (یادداشت سردبیر: Neurala تامینکننده فناوری L-DNN است).
این بدان معنا است که تولیدکنندگان فقط به مجموعه کوچکی از تصویرهای دریچههای خوب نیاز دارند تا مجموعهای از قوانین دریچه خوب را به سیستم بیاموزند. گورچت اینگونه توضیح میدهد که:” L-DNN میتواند تنها با استفاده از دادههای خوب در یک ارائه مجموعه داده کوچک یاد بگیرد و سپس هنگام مواجهه با یك محصول غیرمعمول، به کاربر مشاورههای لازم را دهد.” وی همچنین اعلام گفت: “یک رژیم آموزشی L-DNN در کنترل کیفیت تولیدات صنعتی با هوش مصنوعی میتواند مجموعهای از دهها تصویر را در اختیار شما قرار دهد، یک درک نمونه اولیه از این جسم را ایجاد کند و در صورت تغییر محصول، آماده استقرار و پیکربندی مجدد باشد.”