ตั้งแต่โทรศัพท์ในกระเป๋าของเราไปจนถึงรถยนต์ที่สามารถขับเคลื่อนได้ด้วยตนเอง เศรษฐกิจ Consumer Economy ได้เริ่มเคลื่อนเข้าสู่ขุมพลังแห่งเครือข่ายนิวรอล (Neural) ของเทคโนโลยีการเรียนรู้เชิงลึก (Deep Learning) การเรียนรู้เชิงลึกปรากฎขึ้นและกลายเป็นเทคโนโลยีพื้นฐานในบทสนทนา ข้อความ และการจดจำ ใบหน้าที่เราใช้ในโทรศัพท์มือถือและอุปกรณ์ที่สวมใส่ในชีวิตประจำวัน และตอนนี้มันถูกนำมาใช้ในแอปพลิเคชัน อื่น ๆ อีกมากมาย – ตั้งแต่ใช้ในการวินิจฉัยทางการแพทย์ ไปจนถึงระบบรักษาความปลอดภัยทางอินเทอร์เน็ต – อีกทั้งยังถูกนำมาใช้วิเคราะห์แพทเทิร์น และช่วยในการตัดสินใจทางธุรกิจที่สำคัญ เทคโนโลยีเดียวกันนี้เองได้ย้าย เข้าสู่กระบวนการผลิตขั้นสูงสำหรับการตรวจสอบคุณภาพ และใช้ในด้านอื่น ๆ ที่ต้องอาศัยการพินิจพิเคราะห์ในการตัดสินใจ
ในสาระสำคัญ การเรียนรู้เชิงลึก (Deep Learning) สอนให้หุ่นยนต์และเครื่องจักรเลียนแบบพฤติกรรมของมนุษย์: หรืออีกนัยหนึ่งก็คือการเรียนรู้จากตัวอย่าง ฮาร์ดแวร์ใหม่ ๆ ที่ราคาไม่สูงมากก็ได้ติดตั้งและปรับใช้งานเครือข่ายนิวรอลของ Deep-Learning แบบ Multi Layered ซึ่งเลียนแบบเครือข่ายเซลล์ประสาทในสมองมนุษย์ สิ่งนี้ทำให้ เทคโนโลยีการผลิตมีความสามารถใหม่ที่น่าทึ่งในการจดจำรูปภาพ แยกแยะเทรนด์ และสามารถคาดการณ์และ ตัดสินใจได้อย่างชาญฉลาด เริ่มจากตรรกะหลักที่พัฒนาขึ้นในระหว่างการฝึกอบรมระบบในเบื้องต้น และหลังจากนั้นเครือข่ายนิวรอลของเทคโนโลยีการเรียนรู้เชิงลึกสามารถปรับปรุงประสิทธิภาพของตัวเองได้อย่างต่อเนื่องเมื่อมีการป้อนข้อมูลภาพ บทสนทนา และข้อความใหม่ ๆ เข้าไป
การวิเคราะห์ภาพที่ใช้เทคโนโลยีการเรียนรู้เชิงลึก เป็นการรวมข้อมูลจำเพาะและความยืดหยุ่นของการตรวจสอบ ด้วยสายตาของมนุษย์กับความน่าเชื่อถือ ความแม่นยำ และความเร็วของระบบคอมพิวเตอร์เข้าด้วยกัน เทคโนโลยี Deep Learning สามารถแก้ปัญหาทางด้านวิชันที่ยากลำบากได้อย่างแม่นยำและทำซ้ำได้ตลอด ซึ่งโดยปกติแล้วจะยากต่อการหาโซลูชันมาช่วยแก้ไขและบ่อยครั้งไม่สามารถทำได้ด้วยวิธีการแบบดั้งเดิมที่อาศัยระบบแมชชีนวิชัน แบบจำลอง Deep Learning สามารถแยกแยะจุดบกพร่องที่ยอมรับไม่ได้ ในขณะที่ผ่อนปรนต่อข้อแตกต่างตามธรรมชาติสำหรับชิ้นงานที่มีแพทเทิร์นที่ซับซ้อน และยังสามารถปรับตัวให้พร้อมรับกับตัวอย่างใหม่ ๆ โดยไม่จำเป็น ต้องเขียนโปรแกรมใหม่สำหรับอัลกอริทึมหลักอีกด้วย
ซอฟต์แวร์ Deep Learning สามารถค้นหาชิ้นส่วนตามการพิจารณาที่เหมาะสม (Judgement-Based) การตรวจสอบ (Inspection) การจำแนก (Classification) และการจดจำตัวอักษรที่ท้าทายได้อย่างมีประสิทธิภาพมากกว่ามนุษย์ หรือโซลูชันแมชชีนวิชันแบบดั้งเดิม ผู้ผลิตชั้นนำต่างหันมาใช้โซลูชันการเรียนรู้เชิงลึกและปัญญาประดิษฐ์ (Deep Learning and AI) เพื่อแก้ปัญหาในระบบการทำงานอัตโนมัติที่ซับซ้อนที่สุด
การเลือกระหว่างระบบแมชชีนวิชันแบบดั้งเดิม (TRADITIONAL MACHINE VISION) และเทคโนโลยีการเรียนรู้เชิงลึก (DEEP LEARNING)
ตัวเลือกระหว่างระบบแมชชีนวิชันแบบดั้งเดิมและเทคโนโลยี Deep Learning นั้นขึ้นอยู่กับประเภทของโจทย์งานที่ต้องการแก้ไข ปริมาณของข้อมูลที่ถูกประมวลผล และความสามารถในการประมวลผล แท้จริงแล้วแม้เราจะทราบดีถึงประโยชน์อันมากมายของเทคโนโลยีการเรียนรู้เชิงลึก (Deep Learning) แต่มันก็ไม่ใช่โซลูชันที่เหมาะสม สำหรับหลาย ๆ แอปพลิเคชัน เช่น เทคโนโลยีการเขียนโปรแกรมที่อิงกฏเกณฑ์แบบดั้งเดิมนั้นดีกว่าในด้านมาตรวัด (Gauge) และการวัดขนาด (Measure) รวมไปจนถึงด้านการจัดเรียงที่เที่ยงตรง (Precision Alignment) ในบาง กรณีระบบวิชันแบบดั้งเดิมอาจเป็นทางเลือกที่ดีที่สุดในการกำหนดบริเวณจุดที่สนใจอย่างแม่นยำ แล้วค่อยใช้ Deep Learning ในการตรวจสอบพื้นที่บริเวณนั้นอีกครั้ง ผลจากการตรวจสอบด้วยเทคโนโลยี Deep Learning นั้น อาจถูกส่งกลับไปยังระบบวิชันแบบดั้งเดิมเพื่อทำการวัดขนาดและรูปร่างของจุดบกพร่องได้อย่างแม่นยำ
การเรียนรู้เชิงลึก (Deep Learning) ช่วยส่งเสริมวิธีการในรูปแบบอิงกฎเกณฑ์และช่วยลดความจำเป็นในการอาศัยความเชี่ยวชาญด้านวิชันโดเมนเชิงลึกเพื่อสร้างการตรวจสอบที่มีประสิทธิภาพ แต่การเรียนรู้เชิงลึกได้เปลี่ยนรูป แบบการนำไปใช้งานที่เคยจำเป็นต้องใช้ความเชี่ยวชาญด้านวิชัน มาเป็นการแก้ไขปัญหาทางด้านวิศวกรรมที่ท้าทายโดยไม่จำเป็นต้องใช้ผู้เชี่ยวชาญด้านวิชัน การเรียนรู้เชิงลึกช่วยโอนย้ายภาระงานของผู้พัฒนาแอปพลิเคชัน ซึ่งเป็นผู้พัฒนาและเขียนสคริปต์อัลกอริทึมตามกฏ (Rules-Based Algorithm) ไปเป็นวิศวกรที่ช่วยฝึกหัดระบบให้เรียนรู้ นอกจากนี้มันยังเปิดโอกาสใหม่ ๆ ในการแก้ปัญหาการใช้งานที่ไม่เคยลองได้โดยไม่มีคนเป็นผู้ตรวจสอบ ด้วยวิธีนี้การเรียนรู้เชิงลึกทำให้ระบบ Machine Vision ทำงานด้วยได้ง่ายขึ้น และยังสามารถขยายขอบเขต ความสามารถในการตรวจสอบของคอมพิวเตอร์และกล้องให้แม่นยำขึ้น ดังเช่นรูปภาพที่ 6 ด้านล่างที่ระบุการใช้งานที่เหมาะสมที่สุดสำหรับระบบวิชันซิสเต็มแบบดั้งเดิมหรือแบบ Deep Learning รวมถึงรูปแบบการใช้งานที่เหมาะสำหรับแนวทางทั้งสองแบบ
COGNEX VIDI
Cognex ViDi ™ คือ เทคโนโลยีการเรียนรู้เชิงลึกที่พร้อมใช้งานสำหรับการวิเคราะห์ภาพระดับอุตสาหกรรม Cognex ViDi ได้รับการฝึกหัดกับภาพที่มีป้ายกำกับซึ่งแสดงถึงคุณสมบัติ ความผิดปกติ และประเภทของชิ้นส่วนในรูปแบบเดียวกับที่ผู้ตรวจสอบที่เป็นมนุษย์ได้รับการฝึกฝน ในช่วงเวลาการฝึกหัดที่มีคนคอยควบคุม ระบบจะถูกสอนให้ จดจำและรู้จักข้อบกพร่องอย่างชัดเจนแจ่มแจ้งสำหรับข้อบกพร่องที่มาในหลายรูปแบบ ระบบจะฝึกตัวเองในโหมดที่ไม่มีผู้ดูแลเพื่อเรียนรู้ลักษณะปกติของวัตถุ รวมถึงความแตกต่างที่สำคัญและที่อยู่ในขอบเขตที่รับได้จากภาพตัวอย่างเหล่านี้ ซอฟต์แวร์จะสร้างแบบจำลองอ้างอิงซึ่งเป็นกระบวนการวนซ้ำของการปรับปรุงตัวเองอย่าง ต่อเนื่อง ในขณะเดียวกันก็สามารถปรับค่าพารามิเตอร์และตรวจสอบผลลัพธ์ที่ถูกต้องจนกว่าแบบจำลองจะทำงาน ได้ตามที่ต้องการ ในระหว่างการรันไทม์ ViDi จะดึงข้อมูลจากชุดรูปภาพใหม่และเครือข่ายนิวรอลของมันจะทำการ จัดการภาพชิ้นส่วน แยกความผิดปกติ และจัดประเภทข้อมูลเหล่านั้น ในภาพที่ 7 จะเห็นการอธิบายกระบวนการ ฝึกหัดและปรับใช้งานแอปพลิเคชันการเรียนรู้เชิงลึกด้วย Cognex ViDi
Cognex ViDi ทำงานกับชุดภาพฝึกหัดจำนวนน้อยซึ่งแตกต่างจากซอฟต์แวร์ Deep Learning ประเภทอื่นๆ ทั่วไป ViDi ยังสามารถใช้งานได้กับระบบประมวลผลของ PC ที่มีขีดจำกัด โดยสามารถใช้แค่การ์ด GPU เดียวในเครื่อง คุณลักษณะทั้งสองอย่างนี้ทำให้ ViDi เหมาะอย่างยิ่งสำหรับสภาพแวดล้อมการทำงานในสายการผลิตและภายในโรงงานซึ่งการประมวลผลมักจะทำผ่านเครื่อง PC และมีชุดรูปภาพจำกัด ViDi สามารถจัดการดูแลได้ในระดับ Field และ Retrain ได้หน้างานโดยไม่จำเป็นต้องรบกวนผู้ผลิตเครื่องจักรหรือผู้รวบรวมระบบ (SI) โดย ViDi ทำงานกับภาพความละเอียดสูงรวมถึงสีและความร้อน เพื่อจดจำความผิดปกติทุกชนิด นอกจากนี้มันยังสามารถนับจำนวนแบบซับซ้อนได้และถอดรหัสอักษรที่อ่านยากหรือผิดรูปได้อีกด้วย เครื่องมือสำหรับการ Localization การจดจำลักษณะ คุณสมบัติ การคัดแยกประเภท และ OCR สามารถทำงานได้อย่างอิสระหรืออาจใช้ร่วมกับเครื่องมือวิชันอื่น ๆ ของ Cognex เพื่อจัดการกับปัญหาทางด้านวิชันที่ท้าทายและซับซ้อน
เสมือนมนุษย์ แต่ทรงพลังและรวดเร็วกว่า
Cognex ViDi รวมลักษณะจำเพาะ (Specificity) และความยืดหยุ่น (Flexibility) ของการตรวจสอบด้วยสายตา มนุษย์เข้ากับความน่าเชื่อถือ ความสามารถในการทำซ้ำ และขุมพลังของระบบคอมพิวเตอร์ – และผนวกคุณสมบัติทั้งหมดนี้ให้อยู่บนอินเทอร์เฟซที่นำไปติดตั้งและใช้งานง่าย
วงการอุตสาหกรรมกำลังหันมาใช้เทคโนโลยี Deep Learning เพิ่มมากขึ้นเรื่อย ๆ เพื่อแก้ปัญหาการตรวจสอบในกระบวนการผลิตที่ซับซ้อน ใช้เวลานาน และมีค่าใช้จ่ายสูงในการเขียนโปรแกรมโดยใช้อัลกอริทึมแบบเดิม เทคโนโลยีนี้จะเปิดการทำงานโดยอัตโนมัติสำหรับการใช้งานที่ไม่เคยมีการเขียนโปรแกรมมาก่อน ซึ่งจะช่วย ลดอัตราความผิดพลาด และย่นเวลาในการตรวจสอบให้รวดเร็วขึ้น เทคโนโลยี Deep Learning ช่วยให้ผู้ผลิต สามารถแก้ปัญหาที่เคยท้าทายระบบวิชันซิสเต็มแบบดั้งเดิม และทำให้เกิดความมั่นใจและสร้างความน่าเชื่อถือ เพิ่มมากยิ่งขึ้น
Enquiry to COGNEX
[ninja_form id=7]
