Kompetenser

AI vision

Vad betyder artificiell intelligens?

Termen artificiell intelligens (AI) är inte tydligt definierad. En definition misslyckas helt enkelt för att termen "intelligens" är tvetydig.
Termen "Artificiell intelligens" myntades på 1950-talet och är således historiskt formad och utsatt för många influenser. Termen återspeglar visionen och den "hela bilden". AI berör flera tekniska och vetenskapliga discipliner och används ofta (även av oss) som en catchy marknadsföringsterm.
När AI nämns inom mätteknik eller bildbehandling hänvisar det vanligtvis till maskininlärning (ML) eller djupinlärning (DL). Termerna bygger på varandra enligt följande:

Artificiell intelligens (AI) → Maskininlärning (ML) → Djupinlärning (DL)

Kontakta oss
Artificiell intelligens för att optimera dina testprocesser

Historisk kurs

Även om artificiell intelligens ofta kallas en trend, är det ingalunda ett nytt fenomen. Redan på 1950 -talet delade forskare tron ​​att tankeprocessen inte är begränsad till den mänskliga hjärnan. Efter att forskningen om ämnet avstannat, särskilt på 80 -talet, gav teknikföretag som Google fältet en ny högkonjunktur på 2000 -talet. Idag är artificiell intelligens en integrerad del av vår vardag.

Vad betyder maskininlärning (ML)?

Inom bildbehandling finns det i princip två olika sätt att hantera ett problem:

Regelbaserad programmering

  • Manuell formulering och programmering av regler efter att resultaten har beräknats eller definierats

Maskininlärning

  • Träna en modell om data
  • Oberoende inlärning av mönster från data
  • Klassificering eller uppskattning av resultatmängder
Artificiell intelligens för att optimera dina testprocesser

Vilket tillvägagångssätt som är bättre beror på applikationen och måste noggrant utvärderas eller systematiskt bestämmas. Regelbaserade metoder, särskilt inom mätteknik och bildbehandling, är väl lämpade för att fatta beslut baserade på tydliga mätfunktioner och regler. Om reglerna inte är kända eller bara kan extraheras systematiskt från bilder med stor ansträngning kan en maskininlärningsprocess vara det bättre tillvägagångssättet. Maskininlärningsprocesser används vanligtvis vid bildbehandling för svåra segmenteringsuppgifter, vid teckenigenkänning (OCR / OCV), mönster- och avvikelseigenkänning, objekt- och bildigenkänning och bildklassificering. I moderna tillämpningar kombineras vanligtvis båda metoderna på ett meningsfullt sätt.

Maskininlärningsteknik (ML)

Grovt sett finns det tre olika inlärningsmetoder för maskininlärning.

Artificiell intelligens för att optimera dina testprocesser

Djupinlärning kontra maskininlärning

Moderna AI -applikationer bygger nästan uteslutande på djupa artificiella neurala nätverk (ANN). Det speciella med nätverken är att de också kan utföra komplexa uppgifter och manuell extrahering av funktioner kan helt undvikas. Ett ANN kan därför självständigt utföra komplexa uppgifter.

  • Deep learning är en gren av maskininlärning
  • DL -metoder är baserade på artificiella neurala nätverk med flera mellanliggande lager
Artificiell intelligens för att optimera dina testprocesser

Artificiella neurala nätverk (ANN)

Metoder för djupinlärning är baserade på artificiella neurala nätverk.
Dessa nätverk är inspirerade av de (biologiska) neurala nätverken, det vill säga en del av ett nervsystem. Artificiella neurala nätverk är byggda i lager. Ett lager eller nivå består av flera artificiella neuroner. Det finns flera dolda nivåer mellan en ingångs- och utgångsnivå. Strukturen får namnet "djupa" neurala nätverk på grund av dessa dolda nivåer.

Artificiell intelligens för att optimera dina testprocesser
Artificiell intelligens för att optimera dina testprocesser

Convolutional Neural Networks (CNN)

Så kallade "convolutional neural networks" (CNN) används mest vid bildbehandling. Dessa nätverk, inspirerade av den visuella cortex, består av flera funktionskartor. Dessa funktionskartor motsvarar lagren i ett artificiellt neuralt nätverk och genereras av faltning. Konvolutionsoperatorerna producerar olika egenskaper/funktioner, såsom kanter. Inom bildbehandling bör en CNN kunna generalisera funktioner och representera dem i allt högre abstraktionsnivåer.

Artificiell intelligens för att optimera dina testprocesser

Källa: Lecun, Yann, et al. "Gradientbaserat lärande tillämpas för dokumentigenkänning." Proceedings of the IEE 86.11 (1998): 2278-2324

Artificiell intelligens för att optimera dina testprocesser

Källa: Lee, Honglak, et al. "Oövervakad inlärning av hierarkiska representationer med konvolutionella djupa lokaliserade nätverk." Kommunikation av ACM 54.10 (2011): 95-103.

Artificiell intelligens för att optimera dina testprocesser

MV.MINDNET, plattformen för djupinlärning från MABRI.VISION, kombinerar den senaste tekniken och praktikinriktade lösningar.