Rozwiązania z zakresu spektroskopii i wizji maszynowej
Sztuczne widzenie oparte na głębokim uczeniu (sieciach neuronowych) do pewnego stopnia naśladuje sposób, w jaki ludzki mózg przetwarza informacje wizualne, więc podobnie jak w przypadku mózgu, konieczne jest najpierw przeprowadzenie procesu uczenia się. Aby to zrobić, musi być dostępny wystarczająco reprezentatywny zestaw obrazów wykrywanych przypadków, który służy do „trenowania” sieci neuronowej, tj. sieć musi być w stanie „interpretować” lub „rozpoznawać” interesujące ją cechy. Po sprawdzeniu poprawności skonstruowanej sieci, jest ona używana do sprawdzania każdego nowego obrazu, a wyjściem sieci jest etykieta identyfikująca ten obraz jako należący do jednej z wcześniej ustalonych klas. W praktyce sieć neuronowa jest zestawem wartości liczbowych, zebranych w pliku cyfrowym, specyficznych dla określonego zadania, tak że dedykowane oprogramowanie „stosuje” sieć do każdego obrazu w celu uzyskania etykiety odpowiadającej klasie, do której obraz wydaje się należeć.
Tradycyjne algorytmy widzenia maszynowego są deterministyczne. Oznacza to, że za pomocą funkcji matematycznych, ogólnych lub specyficznych, każdy obraz jest analizowany w poszukiwaniu interesujących go cech. Takie podejście ogranicza ich zastosowanie do bardzo specyficznych przypadków, w których cechy są bardzo wyraźne lub widoczne w odniesieniu do reszty elementów obrazu i zawsze wymaga interwencji ludzkich ekspertów. W świecie rzeczywistym okoliczności sprzyjające stosowaniu algorytmów deterministycznych wcale nie są częste. Wręcz przeciwnie, istnieje wiele elementów zakłócających, które znacznie wpływają na dokładność wyniku. Z drugiej strony, głębokie uczenie nie zaczyna się od mniej lub bardziej realistycznych założeń, ale w fazie uczenia automatycznie dostosowuje się do okoliczności, tj. jest mniej wrażliwe na nieprzewidziane zmiany i może to osiągnąć bez potrzeby teoretycznych założeń lub pracy eksperta.
Najczęstszym zastosowaniem jest wykrywanie wad morfologicznych w celu aktywacji systemu odrzucania, który odrzuca produkty oznaczone przez sieć neuronową jako wadliwe. Na przykład wykrywanie ciał obcych lub wadliwych jednostek w środkach spożywczych, niedopuszczalnych różnic kolorystycznych w częściach, tekstyliach lub produktach spożywczych lub obiektywna kwantyfikacja usterek lub wad w celu obliczenia uczciwej ceny dla różnych klas jakości produktu, na przykład wad ziaren przeznaczonych do sprzedaży i marketingu.
