Zpracování obrazu je jednou z významných součástí rozvíjející se vědní disciplíny s názvem počítačové, resp. strojové vidění (angl. machine vision). Její kořeny bychom našli v oblasti televizní techniky, kybernetiky, výpočetní techniky, ale také v oblasti optiky či fyziky obecně.
V současnosti se metody strojového vidění využívají mimo jiné v průmyslových oblastech při kontrole výrobních postupů. My se v tomto článku zmíníme o aplikaci jedné z metod, a tou je tzv. hluboké učení a neuronové sítě.
Zpracování obrazu krok za krokem
Na obrázku 1 si můžete prohlédnout příklad obecného postupu zpracování obrazu. Při řešení konkrétní úlohy obvykle hovoříme o třech základních krocích, kdy je získaný vstupní obraz podroben následujícím operacím:
a) předzpracování (např. diskretizace, prahování, hledání hran)
b) segmentace (hledání oblastí a objektů v obraze)
c) rozpoznávání obrazu
Pro každou část lze použít celou řadu metod, algoritmů a konkrétních předem vytvořených postupů v daném programovém prostředí. Vždy je však třeba počítat s tím, že každá úloha může mít své specifické vlastnosti, které nás vedou k celé řadě změn, úprav a doladění konkrétních postupů a algoritmů.
Připomeňme, že zásadní roli pro dosažení pokud možno optimálního výsledku zpracování obrazu hraje získání co možná nejlepšího vstupního obrazu snímané scény, to znamená (kromě vhodně nastavené optické soustavy) optimální nasvícení zkoumané scény.
Při průmyslovém nasazení zpracování obrazu se velmi často jedná o aplikování metod kvalitativního hodnocení výrobků (nebo jejich důležitých částí), většinou jde o nahrazení původně lidské (vizuální) kontroly kontrolou strojovou. Samozřejmě se očekává ekonomický efekt (úspory výrobních nákladů, zvýšení rychlosti kontroly) a odstranění často chybujícího lidského činitele.
K dosažení cíle je tedy třeba aplikovat takové metody, které dosahují co nejvyšší účinnosti (to je pochopitelné) a samozřejmě i co nejvyšší rychlosti zpracování (což už není tak snadné). Nezanedbatelným činitelem je i skutečnost, že při nahrazení lidského intelektu strojem bude alespoň zpočátku výsledek hodnocení poněkud jiný.
Lidský činitel je ze své podstaty více subjektivní, ale s přibývajícími zkušenostmi při hodnocení se přizpůsobuje vznikající situaci a objektivizuje se. Strojový systém kontroly je více objektivní, ovšem zejména zpočátku (ve fázi učení) to vede ke zvýšení počtu výrobků hodnocených jako nevyhovující. Je tak třeba jej „doladit“, tedy předložit mu dostatečné množství vzorků se správným kvalitativním hodnocením. Tato fáze aplikování před plným nasazením tak může trvat poměrně dlouho a často může být pro uživatele nepříjemná nebo zdánlivě neefektivní.
Hluboké učení a rozpoznávání vadných výrobků
V posledních letech se mezi techniky využívané v oblasti zpracování obrazu řadí tzv. hluboké učení (angl. deep learning) a tzv. neuronové sítě. Jde o aplikování algoritmů s velkým počtem vrstev reprezentujících data. „Hloubkou“ je zde myšlen počet vrstev (obvykle složených z umělých neuronů), které jsou za sebou zapojeny tak, že výstup jedné vrstvy je vstupem následující vrstvy. Těchto vrstev může být v řádu desítek i více.
Metody hlubokého učení se prosazují v praktických aplikacích pro řešení složitých problémů strojového učení, jakými je mj. klasifikace obrazů, již asi deset let, zejména s nárůstem výkonu počítačů, na kterých jsou metody naprogramovány.
Aplikování algoritmů pro hluboké učení vyžaduje před vlastním produktivním hodnocením fázi učení, kdy se systém „naučí“ rozpoznávat vadu, resp. vady, na hodnocených výrobcích.
Na obrázcích v galerii je znázorněna obrazovka programového systému s využitím metod hlubokého učení při fázi učení (tréninku). Systému jsou předkládány obrázky hodnoceného výrobku (v našem případě tkanina) a systém se „naučí“ rozpoznávat některé vady (citlivost na vadu lze nastavit). Obrázek 2 znázorňuje výrobek hodnocený jako správný (tzv. OK výrobek), na obrázcích 3 a 4 jsou znázorněny vadné výrobky. Výstupem z programového systému bude vytvoření reakce na výsledek hodnocení výrobků, zejména pak při hodnocení vadného výrobku jeho označení, vyloučení z řady apod.
Při aplikaci programového systému do konkrétního výrobního postupu bude jedním z rozhodujících činitelů rychlost reakce hodnocení a možnost implementace – jak má výrobní systém zareagovat na výsledek kvalitativního hodnocení.
Předchozí díly:
Strojové
zpracování obrazu: Klíč k Průmyslu 4.0?
Strojové
zpracování obrazu: Obrazová fúze
Strojové
zpracování obrazu: Fuzzy logika v praxi
Strojové
zpracování obrazu: Fuzzy logika