يادگيري عميق SICK سادگي را براي بازرسي پيچيده هوش مصنوعي به ارمغان مي آورد
03 دسامبر 2020 | اخبار

SICK مجموعه‌اي از برنامه‌ها و خدمات يادگيري عميق را راه‌اندازي كرده است تا بازرسي كيفيت بينايي ماشين را براي قطعات چالش برانگيز، مجموعه‌ها، سطوح يا محصولات غذايي، به‌ويژه آن‌هايي كه قبلاً اتوماسيون را به چالش كشيده‌اند و تنها با بازرسي انساني قابل تشخيص هستند، ساده‌سازي كند.

SICK Deep Learning با فعال كردن طبقه‌بندي تصاوير هوش مصنوعي براي اجراي مستقيم روي دستگاه‌هاي هوشمند SICK، زمان و هزينه راه‌اندازي را به شدت كاهش مي‌دهد. با يادگيري عميق، دستگاه‌هاي SICK قابل برنامه‌ريزي به‌طور خودكار با استفاده از شبكه‌هاي عصبي بهينه‌سازي شده تصميم‌گيري مي‌كنند و بازرسي‌هاي دقيق و قابل اعتمادي را اجرا مي‌كنند كه قبلاً در فرآيندهاي خودكار با سرعت بالا در بسياري از صنايع مختلف بسيار چالش‌برانگيز بوده يا به سادگي غيرممكن بوده است.

محصولات SICK's Deep Learning كه با سادگي كاربر در هسته خود توسعه يافته اند، طيف گسترده اي از نيازها و سطوح مهارت را برآورده مي كنند. برنامه Deep Learning Starter براي راه اندازي آسان توسط كاربران سطح اوليه طراحي شده است، 103wq در حالي كه برنامه حسگر بازرسي هوشمند آماده يكپارچه سازي سريع و آسان با مجموعه بزرگي از ابزارهاي بينايي ماشين قابل تنظيم را فراهم مي كند. برنامه نويسان و ادغام كنندگان با تجربه تر همچنين مي توانند برنامه هاي حسگر يادگيري عميق خود را با استفاده از پلت فرم نرم افزار SICK AppSpace ايجاد و سفارشي كنند.

نيل ساندو، مدير محصول بريتانيايي SICK براي تصويربرداري، اندازه‌گيري و محدوده مي‌گويد: «با SICK Deep Learning، چيزي كه قبلاً براي تيمي از توسعه‌دهندگان نيم سال طول مي‌كشيد تا ايجاد كنند، اكنون مي‌توان با سرمايه‌گذاري نسبتاً كمي در چند ساعت به آن دست يافت. . ماشين‌سازان و تيم‌هاي توليد به طور يكسان مي‌توانند فرآيندهاي بازرسي را كه قبلاً براي خودكارسازي پيچيده‌تر از آن بوده‌اند، مجدداً بررسي كنند، خواه سيستم‌ها را در محيط‌هاي توليد فعلي نصب كنند يا ماشين‌هاي كاملاً جديد را توسعه دهند.

مسيرهاي رو به جلو
در حالي كه بسياري از تحولات ديجيتال در نهايت در مورد پر كردن شكاف IT/OT است، هنوز مسائل آموزشي متمايز در هر فضا وجود دارد كه بايد حل شود. در مورد فناوري اطلاعات، فارغ التحصيلان كالج زيادي در دسترس هستند، اما بايد كارهاي بيشتري انجام شود تا آنها را براي به كارگيري مجموعه مهارت هاي خود در يك محيط توليد آماده كند. در جبهه OT، فقدان كلي استعداد در دسترس است كه كاكس به آن اشاره كرد، علاوه بر دشواري هاي موجود در به دست آوردن دانش ميراث با بازنشستگي كارگران مسن تر.

براي رفع شكاف مهارت‌هاي فناوري اطلاعات در توليد، بايد دوره‌هاي كارآموزي و يادگيري به سبك كارآموزي بيشتر به عنوان يك تعريف براي آموزش كلاسي ترويج شود. به گفته بن و تري اورچارد، اين امر مستلزم تغييرات فرهنگي و همچنين تغيير نهادي است، زيرا بسياري از دانشجويان فعلي كالج كه در رشته هاي مرتبط با فناوري اطلاعات تحصيل مي كنند، توليد را به عنوان مسير شغلي ايده آل خود نمي بينند.

دانش‌آموزان همچنين بايد تشويق شوند تا به دنبال يادگيري مستقل و پروژه‌هاي جانبي باشند كه آنها را در بخش‌هاي صنعت توليد قرار دهد. با رشد جوامع منبع باز و پلتفرم هاي آنلاين مانند Github، براي دانشجوياني كه مشاغل مرتبط با فناوري اطلاعات را دنبال مي كنند، رايج شده است كه رزومه خود را با كارهاي فوق برنامه از اين نوع تقويت كنند. از آنجايي كه مهارت هاي مورد نياز براي كار در توليد بسته به بخش صنعتي خاصي كه فرد به دنبال ورود به آن است، متفاوت است، اين جنبه از صنعت مي تواند توسط توليدكنندگان به عنوان ابزاري براي ايجاد مزيت رقابتي در بازار كار براي دانشجويان به بازار عرضه شود.

پر كردن شكاف مهارت هاي OT به رويكرد كمي متفاوت نياز دارد. به گفته آماندا بيتون، مدير برنامه US Cooperates with Education، يك برنامه توسعه اي كه توسط زيمنس ايجاد شده است، برنامه هاي آموزش حرفه اي بيشتري بايد از ابتدا ايجاد شود. براي انجام اين كار، Beaton مشاركت‌هاي دولتي و خصوصي را توصيه مي‌كند، كه در آن دولت‌هاي محلي و ايالتي كمك‌هاي مالي ارائه مي‌كنند و شركت‌هاي خصوصي تجهيزاتي را براي آموزش دانش‌آموزان اهدا مي‌كنند. توسعه برنامه هاي آموزشي از اين طريق تضمين مي كند كه بار مالي به خوبي بين همه ذينفعان توزيع مي شود و دانش آموزان با دانش عملي در مورد تجهيزاتي كه در اين زمينه روي آنها كار خواهند كرد، بيايند. در واقع، بيتون مي‌گويد كه هرگز برنامه‌ي آموزش حرفه‌اي را نديده است كه با مشاركت مؤسسه‌هاي آكادميك، دولت و بخش خصوصي به صورت پشت سر هم ايجاد نشده باشد.

از طريق يك رابط كاربري ساده گام به گام، شبكه‌هاي عصبي SICK با نمايش تصاوير نمونه آموزش داده مي‌شوند و به همان روشي ياد مي‌گيرند كه انسان‌ها براي قضاوت در مورد يك بازرسي خوب و اينكه چه تغييراتي را مي‌توان تحمل كرد، ياد مي‌گيرند.

نيازي به توسعه سخت با استفاده از مجموعه‌اي از قوانين و الگوريتم‌ها براي شناسايي عيوب، يافتن الگوها يا لبه‌ها نيست، كه مي‌تواند به ويژه براي مواردي كه ارزيابي آن‌ها دشوارتر است مانند محصولات پخته شده، چين‌خوردگي روي صندلي‌هاي چرمي خودرو يا چرمي‌ها زمان‌بر باشد. به عنوان مثال، دانه هاي چوب.»

SICK Deep Learning كه به عنوان بخشي از راه‌اندازي اوليه منتشر شد، با استفاده از حسگر بينايي دوبعدي Inspector P 621 و دستگاه يكپارچه‌سازي حسگر قابل برنامه‌ريزي SIM 1012 كه عموماً با دوربين‌هاي استريم Picocam يا Midicam SICK اجرا مي‌شود، در دسترس است. با عرضه طولاني‌مدت، يادگيري عميق SICK در حسگرهاي بينايي دوبعدي و سه بعدي هوشمند SICK و دروازه‌هاي پردازش داده‌هاي SICK فعال مي‌شود.

با SICK Deep Learning، استنتاج تصوير مستقيماً بر روي دستگاه در زمان تصميم گيري كوتاه و قابل پيش بيني، بدون نياز به رايانه اضافي انجام مي شود و نتايج به عنوان مقادير حسگر به كنترل خروجي مي شود. از آنجايي كه آموزش سيستم در فضاي ابري انجام مي‌شود، نيازي به سخت‌افزار يا نرم‌افزار آموزشي جداگانه نيست و در زمان و هزينه اجرا صرفه‌جويي مي‌شود.

14ss211r كاربران از رابط گرافيكي بصري سرويس آنلاين SICK dStudio پيروي مي كنند تا شبكه عصبي خود را در چند مرحله ساده انتخاب و آموزش دهند: پس از راه اندازي دستگاه هاي SICK، از كاربران خواسته مي شود تا تصاوير بازرسي را در شرايط توليد واقعي جمع آوري كرده و سپس مرتب كنند. آنها را به كلاس ها تبديل كنند. با استفاده از dStudio، تصاوير از پيش مرتب شده در Cloud آپلود مي شوند، جايي كه فرآيند آموزش تصوير توسط شبكه عصبي تكميل مي شود. سپس كاربر مي تواند تصاوير توليدي بيشتري را براي ارزيابي و تنظيم سيستم اعمال كند. در صورت رضايت، شبكه عصبي را مي توان در دستگاه SICK با قابليت يادگيري عميق دانلود كرد و فرآيند استنتاج خودكار بدون نياز به اتصال Cloud بيشتر آغاز مي شود.

SICK يك آزمايش رايگان براي كاربران ارائه مي دهد تا ارزيابي كنند كه آيا يادگيري عميق براي برنامه آنها مناسب است يا خير و اطمينان از شروع ساده و سريع. پس از ورود به هواپيما، يك پورتال پشتيباني Deep Learning نيز در دسترس است تا در صورت لزوم، كاربران را در طول فرآيند راهنمايي كند.

دستگاه هاي IO-Link را با گوشي هوشمند خود پيكربندي و نظارت كنيد
26 ژانويه 2022 | اخبار

با آداپتور جديد بلوتوث IO-Link از ifm electronic، اكنون مي توان به راحتي با استفاده از يك تلفن هوشمند استاندارد به دستگاه هاي IO-Link دسترسي پيدا كرد. اين يك راه سريع و راحت براي پارامتري كردن دستگاه ها و همچنين نظارت بر عملكرد آنها را آسان مي كند. اين آداپتور با تمام سيستم عامل هاي ifm IO-Link از نسخه 2.1 به بعد سازگار است و با بسته نرم افزاري ifm moneo|blue كه در نسخه هاي رايگان براي دانلود براي دستگاه هاي iOS و Android در دسترس است، تكميل مي شود.

هنگامي كه به يك Master IO-Link متصل مي شود، آداپتور بلوتوث به تمام سنسورها و ساير دستگاه هاي متصل به آن Master و خود Master دسترسي كامل مي دهد. براي بسياري از انواع دستگاه‌ها، نرم‌افزار moneo|blue يك نمايش گرافيكي بصري از داده‌ها و تنظيمات را ارائه مي‌دهد كه پارامترسازي را بسيار ساده و همچنين خطر خطا را به حداقل مي‌رساند. علاوه بر اين، اين نرم افزار مي تواند داده هاي فرآيند را از حسگرها ضبط كرده و به صورت يك فايل فشرده ايميل كند تا بتوان آن را بيشتر تجزيه و تحليل كرد.

براي محافظت در برابر دسترسي غيرمجاز به دستگاه ها و تغييرات در تنظيمات پارامتر موجود، اين نرم افزار داراي يك سيستم امنيتي قوي مبتني بر رمز عبور است.

مناسب براي نصب دائمي در زمين، آداپتور بلوتوث IO-Link ifm از فولاد ضد زنگ و برنج با درجه بالا ساخته شده است و داراي رتبه حفاظتي IP67 است. هر دو بلوتوث كلاسيك و بلوتوث كم انرژي (BTLE) را پشتيباني مي كند و بسته به محيط نصب، بردي بين 10 تا 30 متر دارد. لوازم جانبي اختياري شامل يك گيره نصب و كابل هاي اتصال از قبل پايانه شده است.

نحوه استفاده از دوربين هوشمند بدون دانش قبلي
26 ژانويه 2022 | اخبار

امكانات كاربردي مبتني بر دوربين هاي هوشمند تقريباً نامحدود است. آنها از اتوماسيون و لجستيك گرفته تا نظارت بصري محصولات و پردازش كالاها را پشتيباني مي كنند. از آنجايي كه راه‌حل‌هاي بينايي سنتي با مجموعه‌اي از قوانين ثابت كار مي‌كنند، اشياء ارگانيك يا به سرعت در حال تغيير براي آنها چالش بزرگي است. از سوي ديگر، هوش مصنوعي مي تواند چنين موقعيت هايي را به راحتي مديريت كند. بنابراين براي شناسايي محصولات يا نقص‌ها و همچنين مرتب‌سازي برنامه‌ها و كنترل كيفيت، انتخاب محبوبي است. با اين حال، مانع براي اجراي يك راه حل پردازش تصوير مبتني بر هوش مصنوعي هنوز هم معمولاً بسيار زياد است. IDS نشان مي دهد كه راه ديگري نيز وجود دارد: سيستم هوش مصنوعي همه كاره IDS NXT ocean با تمام ابزارها و گردش هاي كاري مورد نياز ارائه مي شود، به اين معني كه كاربران مي توانند خريد پي ال سي راه حل بينايي هوشمند خود را بدون هيچ دانش قبلي تنظيم كنند.

با كمك نرم افزار ابري IDS NXT، حتي افراد غيرمتخصص بدون دانش قبلي از هوش مصنوعي يا برنامه نويسي دوربين مي توانند يك شبكه عصبي را با داده هاي تصويري خود آموزش دهند. از آنجايي كه اين يك برنامه تحت وب است، تمام عملكردها و زيرساخت هاي لازم براي ايجاد شبكه عصبي بلافاصله در دسترس هستند. كاربران مجبور نيستند محيط توسعه خود را راه اندازي كنند، اما مي توانند بلافاصله آموزش شبكه عصبي خود را شروع كنند. اين شامل سه مرحله اساسي است: آپلود تصاوير نمونه، برچسب گذاري تصاوير و سپس شروع آموزش كاملا خودكار. سپس شبكه توليد شده را مي توان مستقيماً روي دوربين هاي صنعتي IDS NXT اجرا كرد و آنها را به دوربين هاي استنتاج قدرتمند تبديل كرد. اين آموزش‌هاي ويديويي كوتاه توضيح مي‌دهند كه گردش كار چقدر آسان است.

راه ديگري نيز وجود دارد: مشتريان همچنين مي‌توانند شبكه‌هاي عصبي خود را كه قبلاً با TensorFlow Backend آموزش ديده‌اند، در پلتفرم باز آپلود كنند. IDS ابزارهاي ويژه اي را براي تبديل به فرمت صحيح فراهم مي كند. در هر دو مورد، شبكه عصبي سپس روي دوربين‌هاي صنعتي اجرا مي‌شود و آنها را قادر مي‌سازد اطلاعات مورد نظر را ارائه دهند يا دستورات را به ماشين‌ها منتقل كنند، به عنوان مثال. از طريق REST يا OPC UA.

با Microsoft Azure Cloud Services، IDS Imaging Development Systems به زودي ميزبان ديگري براي نرم افزار آموزش هوش مصنوعي IDS NXT lighthouse علاوه بر AWS پشتيباني خواهد كرد. اين پيشنهاد به ويژه براي شركت هايي است كه به دليل الزامات قانوني اجازه كار با AWS را ندارند. دامنه عملكردها و خدمات و همچنين عملكرد نرم افزار آموزشي در هر دو هاست يكسان است.

با IDS NXT Creative Kit شروع كنيد

اگر مي خواهيد سيستم بينايي هوش مصنوعي همه كاره را آزمايش كنيد و تأثير پي ال سي آن را براي برنامه هاي خود ارزيابي كنيد، بايد نگاهي به كيت خلاق IDS NXT بيندازيد. اين شامل تمام اجزايي است كه كاربر براي ايجاد، آموزش و اجراي يك شبكه عصبي نياز دارد، مانند دوربين بينايي تعبيه شده IDS NXT rome با هسته هوش مصنوعي "عميق اقيانوس" و سنسور رنگي 1.6 مگاپيكسلي Sony CMOS، كابل اترنت گيگابيتي، منبع تغذيه دوربين با آداپتورهاي ضروري، آداپتور سه پايه، لنز 16 ميلي متري IDS با كيفيت و مجوز 6 ماهه استفاده از فانوس IDS NXT.