Derin Öğrenme

Klasik görüntü işlemede her hata tipini özellikleriyle tek tek tarif etmek gerekir; değişken doku ve desenlerde bu yaklaşım hızla sınırına ulaşır. Derin öğrenmede ise sınıfı bilinen çok sayıda örnek sisteme verilir; evrişimli sinir ağı (CNN) örneklerin ortak ve ayırt edici yönlerini kendisi çıkarır.

Modelleri her müşterinin kendi ürün ve hata görüntüleriyle eğitiyoruz. Eğitim kendi GPU'lu makinemizde yapılır; ürün ve hata çeşitleri zamanla artacak müşterilerimize GPU'lu bir bilgisayar ve eğitim programı da kuruyoruz. Yeni eğitilen model ağırlıkları kurduğumuz yazılıma yüklenir ve sistem yeni duruma kendini uyarlar. Eğitilen model, hatta her görüntü için milisaniyeler içinde karar verir.

Derin öğrenmeyi sahada çalışan pek çok projemizde kullanıyoruz: otomotiv koltuk başlıklarının kalite kontrolü, banttaki cam ürünlerde kırık ayrımı, lastik yanağındaki DOT kodunun okunması, 3D görüntüde karışık ürünlerin tip ayrımı ve konveyördeki panel radyatörlerin segmentasyonu. Kumaş hataları (yağ izi, atkı–çözgü kaçıklığı, yırtık), derinin doğal dokusundaki kusurlar ve cam şişe ağzındaki kırıklar da çözdüğümüz uygulamalar arasında; tekstilde her tür kumaş hatasını bulan derin öğrenme tabanlı bir muayene makinesi geliştiriyoruz.