Yapay Zeka Hata Tespiti

Convolutional Neural Network (CNN) Makine Öğrenimi Nedir ?


 

Özet Olarak , Anomali diye adlandırdığımız Görsel datasetleri girerek Eğitime tabii tutmuş olduğumuz Yapay Zekamız.Artık O anomali türevlerini öğrenmektedir.Bir daha karşısına çıkar ise geometri farklı dahi olsa onu mutlaka tanıyacaktır.

Biz Buna Yapay zekanın eğitilmesi diyoruz.Karşımıza çıkan bütün hataları ona öğretmiş olduğumuzda artık akan bir dizi görselde (WEB) ya da durağan görsel içerisinde, öğrenmiş olduğu hatalar var olduğunda kolaylıkla ayırt edebilecektir.

Sinir Ağları Aşağıdaki Katmanlardan Oluşur

•Convolutional Layer - Özellikleri saptamak için kullanılır

•Non-Linearity Layer – Sisteme doğrusal olmayanlığın (non-linearity) tanıtılması

•Pooling (Downsampling) Layer – Ağırlık sayısını azaltır ve uygunluğu kontrol eder

•Flattening Layer - Klasik Sinir Ağı için verileri hazırlar

•Fully-Connected Layer – Sınıflamada kullanılan Standart Sinir Ağı

Makine Öğrenimi hemen hemen her endüstride kullanılmaktadır. Makineler insan görevlerinin çoğunu yüksek performansla gerçekleştirebildiğinden, insanların iş yüklerini en aza indirmelerine yardımcı oluyor. Makineler, sınıflandırma ve regresyon (sayısal değerleri tahmin etme) gibi tahminsel analizler ve araba kullanmak gibi bir tür zeka gerektiren görevler yapabilirler.

Makine Öğrenimi, yapay zekanın bir parçasıdır ve makineye veri sağladığımızdan, verilerden desen öğrenebilir ve gelecekteki benzer sorunlara yönelik çözümü tahmin edebilecektir. Sinir Ağı (NN) , insan beyninin sinir ağından esinlenmiştir. Bilgisayarla Görme , görüntülerle ilgili sorunlara odaklanan Yapay Zeka alanıdır. CNN, Computer Vision ile birleştiğinde, görüntüleri sınıflandırmaktan astronominin bilimsel problemlerini çözmeye ve kendi kendini süren otomobillerin inşasına kadar karmaşık işlemler gerçekleştirebilir .

Yapay Zeka Hata Tespiti (CNN) metal yüzeylerde kullanımı

Otomatik metalik yüzey hata muayenesi, endüstriyel ürünlerin kalite kontrolü ile ilgili olarak daha fazla dikkat çekmiştir. Metalik hata tespiti genellikle karmaşık endüstriyel senaryolara karşı gerçekleştirilir ve bu ilginç ama zorlu bir problem sunar. Geleneksel yöntemler, görüntü işleme veya sığ makine öğrenme tekniklerine dayanır, ancak bunlar yalnızca güçlü kontrast ve düşük gürültülü belirgin kusur hatları gibi belirli algılama koşulları altında, belirli ölçeklerde veya belirli aydınlatma koşulları altında, belirli tespit koşullarındaki hataları tespit edebilir. Bu yazıda metalik kusurların otomatik olarak algılanması, gerçek endüstriyel ortamlardan yakalanan giriş görüntülerinde ortaya çıkan hataları doğru bir şekilde lokalize eden ve sınıflandıran iki yönlü bir prosedürle tartışılmaktadır. Yeni basamaklı otomatik kodlayıcı (CASAE) mimarisi, kusurları segmentlere ayırmak ve lokalize etmek için tasarlanmıştır. Basamaklı ağ, giriş hatası görüntüsünü, semantik bölümlendirmeye dayalı olarak piksel bazında bir tahmin maskesine dönüştürür. Bölümlü sonuçların kusur bölgeleri, kompakt bir evrişimsel sinir ağı (CNN) aracılığıyla kendi sınıflarına sınıflandırılır. Çeşitli koşullar altında metalik kusurlar, endüstriyel veri kümesi kullanılarak başarıyla tespit edilebilir. Deneysel sonuçlar, bu yöntemin metalik hata saptama için sağlamlık ve doğruluk gereksinimlerini karşıladığını göstermektedir. Bu arada, diğer algılama uygulamalarına da genişletilebilir.