Strojno učenje za izdelavo strojev: Uporaba vizualnega iskanja mehanskih delov

Raziskovalci računalniškega vida uporabljajo strojno učenje za usposabljanje računalnikov pri vizualnem prepoznavanju predmetov, a le redki uporabljajo strojno učenje za mehanske dele, kot so menjalniki, ležaji, zavore, sklopke, motorji, matice, vijaki in podložke.



Skupina strojnih inženirjev univerze Purdue je ustvarila prvo obsežno odprtokodno označeno bazo podatkov z več kot 58.000 3D-mehanskimi deli, ki je zasnovana tako, da raziskovalcem pomaga pri uporabi strojnega učenja na teh delih v dejanskih strojih.


"Smo v obdobju globokega učenja in uporabljamo računalnike za vizualno iskanje stvari," je povedal Karthik Ramani, ugledni profesor strojništva v Purdueju Donald W. Feddersen. "Toda nihče se ne osredotoča na dele, ki vstopajo v stroje: cevi, ležaje, motorje, podložke, matice in vijake itd. To so stvari, ki so za nas inženirje in proizvajalce pomembne. Želimo imeti možnost, da kamero v resničnem delu in naj nam računalnik pove vse o tem delu ali zasnovi. "


Ramanijeva ekipa je v zgodnjih 2000-ih eksperimentirala z vizualnim iskanjem delov, vendar računalniške moči in tehnike strojnega učenja še niso bile dovolj napredne. V preteklih letih so raziskovalci spoznali, da je pri ustvarjanju trdnega nabora podatkov pomembno predvsem kakovost in količina.


"Poglobljeno učenje je lačno po podatkih," je dejal Ramani. "Za računalnik potrebuje veliko primerov, da se nauči, kaj ljudje mislijo in kako se stvari med seboj povezujejo. To pomeni, da smo potrebovali veliko tridimenzionalnih modelov delov, ki so zahtevali tudi osnovno inženirsko klasifikacijo."


Skupina je začela s partnerstvom s francoskim podjetjem TraceParts, ki je raziskovalcem Purdue omogočilo dostop do njihove baze podatkov o 3-D inženirskih delih. Ekipa je sodelovala z univerzo v Teksasu, docentom iz Austina Qixing Huangom, da bi preiskala druge zbirke podatkov za podobne 3-D modele. Na koncu so sestavili bazo podatkov 58.696 mehanskih komponent.


Toda baza podatkov ni dobra brez dobrih podatkov. Ramanijeva ekipa je dele organizirala z vzpostavitvijo hierarhične taksonomije 68 razredov na podlagi Mednarodne klasifikacije za standarde, sistema tehničnih standardov, ki ga je oblikovala in vzdržuje Mednarodna organizacija za standardizacijo.


"Zdaj, ko računalnik zagleda sliko komponente tesnila, bo vedel, da se uvršča v kategorijo dinamičnih tesnil in nato natančneje pod sestavljena tesnila," je dejal Ramani.


Raziskovalci so zdaj objavili svojo odprtokodno bazo podatkov in vabili raziskovalce računalniškega vida in strojnega učenja, da dostopajo do nje in ustvarijo lastne poskuse. Svoje delo so predstavili na 16. evropski konferenci o računalniškem vidu avgusta.


Kakšna je prihodnost strojnega učenja za izdelavo strojev z zdaj vzpostavljenim referenčnim naborom podatkov?


"Za to tehnologijo vidimo veliko situacij v resničnem svetu," je dejal Ramani. "Predstavljajte si, da v tovarni opravljate vzdrževalna dela in nadomeščate del stroja. Kamero lahko usmerite na del, računalnik ga bo prepoznal in vam takoj dal vse specifikacije tega dela - kaj imenuje se, s čim se poveže in kje so fizično shranjeni v tovarni. To se lahko zgodi celo skozi očala z razširjeno resničnostjo; lahko imate celoten vizualni katalog podjetja takoj na dosegu roke in se naučite, kako popraviti stvari ali naročiti dele.


"Pri strojnem učenju je veliko izzivov. Z izzivom pa se ne morete spoprijeti, če ne znate preizkusiti, kako dobro vam gre. Ponosni smo, da smo ustvarili prvi obsežni primerjalni nabor podatkov z označenimi 3- D mehanskih komponent na svetu in upamo, da bomo v obdobju globokega učenja napredovali z vizualnim iskanjem. " 

Share:

0 Comments:

Post a Comment