Arttırılmış verimlilik için gelecek, derin öğrenmeden geçer

SICK, derin öğrenme teknolojisini sensörlerinde kullanarak, müşterilerine daha fazla üretkenlik ve esneklik için katma değer sunuyor.

Arttırılmış verimlilik için gelecek, derin öğrenmeden geçer
EndüstriForum

Makinalar düşünmeyi öğreniyor. Derin öğrenme, bir makina öğrenme tekniği olup, bununla beraber yapay zeka da gelecekteki en önemli teknoloji olacaktır. SICK, bu önemli teknolojiyi sensörlerinde kullanarak, müşterilerine daha fazla üretkenlik ve esneklik için katma değer sunuyor.

Üretimin her aşamasında daha fazla verimlilik artışına ihtiyaç varsa, akıllı makinalar de bu ihtiyaca uyum sağlamalıdır. Akıllı makina dünyasına ilgi artmakta ve bununla birlikte dijital teknolojinin zorluğu da artmaktadır.

Endüstriyel sensörler, bilgi kaynağı olmaya devam etmekle beraber, entegre yazılım, ağa bağlı verilerin değerlendirilmesi ve iletilmesi için de çözümler sunmaktadırlar. Bununla birlikte, Endüstri 4.0 eğilimi, bilgi teknolojilerinde de veri karmaşıklığı konusunda “geliştirilmiş” düşünmeye ihtiyaç duyulduğu anlamına gelir.

Bu sebeple derin öğrenme kesinlikle gereklidir ve SICK ile müşterilerinin modern tesis süreçleri için izlediği bir yoldur.

DERİN ÖĞRENME BİR İNSAN GİBİ DÜŞÜNÜR

Derin öğrenme, çok büyük miktarlarda karmaşık patern ve verileri tespit edebilen, aynı zamanda da işleyebilen algoritmalara ihtiyaç duyar. Yapay sinir ağlarıda insan düşüncesini taklit eder ve aynı insanlarda oldugu gibi kendisine sunulmuş örneklerden öğrenme yolunu kullanır.

Sonuç olarak, bu yapılar sayesinde bugün, birkaç yıl öncesine kadar düşünülemeyecek birçok optimizasyon mümkün hale gelmiştir. Makina ve tesislere, akıllı veriler ve özel sensörler ile birlikte en karmaşık uygulamalarda bile çözümler sunulabilir hale gelmiştir. 

GERÇEĞE UYGUNLUK

Firmanın şu andaki derin öğrenme projelerinin çoğu optik kalite kontrol alanındadır. Lojistik otomasyonunda derin öğrenme kameraları, öğretilen görüntü temelini analiz ederek “eğitildiği” nesneleri veya özellikleri otomatik olarak algılayabilir, doğrulayabilir, sınıflandırabilir ve lokalleştirebilir.

Örneğin, ayrıştırma hücrelerinin atamalarını optimize ederek ayrıştırma tablalarının herhangi bir yassılığın olup olmadığını kontrol edebilir. Kolilerde sarma bantlarını algılar hatta beyaz kolilerde beyaz bantları bile algılayabilirler.

Bu, otomatik paketleme işlemindeki kalite kontrolünü geliştirir ve taşınan nesnelerin analiz edilmesini sağlar. Paketler ezilmiş veya hasar görmüş ise veya paketin malzeme özelliklerinin belirlenmesi gerekiyorsa, SICK kameraları ve algoritmaları operasyon sırasında yapıları veya özellikleri akıllıca yakalayabilir, değerlendirebilir ve ayrıştırma proseslerinde sonraki adımların başlatılmasını sağlarlar. Bu konsepte benzersiz olan bu özellik daha önce sadece insan gözü tarafından gerçekleştirilebiliyordu.

Firmanın bütün projelerinin nihai amacı, müşterilerimizin üretim ve lojistik süreçlerini iyileştirerek ve tesislerinin verimliliğini artırmaya yönelik derin öğrenme yapılarını uygulayabilmektir.  

ÜST DÜZEY UZMANLAR, KARMAŞIK ALGORİTMALAR, YÜKSEK İŞLEM GÜCÜ

Sahadan gelen talepler genellikle evrensel bir çözüm için değil, daha ziyade, odak noktası belirli bir sorunu çözümeye yöneliktir.

Modern 2D ve 3D kameralar her zamankinden daha hızlı ve daha güçlü hale gelmesine rağmen, performansları şu anda geleneksel görüntü işleme algoritmaları tarafından kısıtlanmaktadır.

Farklı uygulamaları ve koşulları değerlendirmek için, firmanın derin öğrenme uzmanları, müşterilerimizin süreç ve kalite uzmanlarıyla yakından çalışarak tam bir iş birliği içerisinde sorunları ile ilgili gerçek taleplerini ortaya çıkarırlar. Benzersiz süreç uzmanlıkları sayesinde, simülasyon eğitiminin temelini ve sensördeki sonraki derin öğrenme algoritmalarının kalbini oluştururlar. 

Derin öğrenme algoritmasının karmaşık bir ağ mimarisi, büyük miktarda bilgiyi işleme özelliklerine sahiptir. Buna rağmen, derin bir öğrenme ağını eğitmek için gereken süre birkaç saatten biraz fazladır.

Derin öğrenme ağları aynı zaman da yeniden eğitilebilir ve yeni koşullara uyarlanabilir özelliklere sahiptir. Bu sayede proseslerde olacak güncellemere rahatlıkla yeniden adapte olabilirler.

Firma, büyük veri havuzları ve nöronal ağ eğitimi için güçten bağımsız, dahili işleme ve bilgi teknolojisi sistemlerini kullanmaktadır. Oluşturulan derin öğrenme algoritmaları sensöre bulut üzerinden lokal olarak yerleştirilir, bu da onları güvenli ve akıllı bir kamerada doğrudan kullanılabilir hale getirir. 

Makinaların gerçekten üstün olması için hala uzun bir zaman vardır ve temel çalışma hala insanlar tarafından yapılmaktadır ancak bugün bile derin öğrenme etkileyici sonuçlar elde etmekte ve birçok fayda sunmaktadır.

Bu dijital teknolojiye yaptıkları yatırımı hızlandırarak kaç şirketin ve endüstrinin büyümelerini desteklemeye karar vereceğini sadece zaman gösterecektir. 
 

Güncelleme Tarihi: 04 Mayıs 2020, 18:00
YORUM EKLE

Radyo

Endüstri 40 Zirvesi

Dergiler