Spektroskopi ve Yapay Görme Çözümleri
Derin öğrenmeye (sinir ağları) dayalı yapay görme, bir dereceye kadar insan beyninin görsel bilgiyi işleme şeklini taklit eder, bu nedenle beyinde olduğu gibi, öncelikle bir öğrenme sürecinin olması esastır. Bunu yapmak için, sinir ağını “eğitmeye” yarayan, tespit edilecek vakaların yeterince temsili bir dizi görüntüsü mevcut olmalıdır, yani ağ ilgilenilen özellikleri “yorumlayabilmeli” veya “tanıyabilmelidir”. Oluşturulan ağ doğrulandıktan sonra, her yeni görüntüyü incelemek için kullanılır; ağın çıktısı, bu görüntüyü önceden belirlenmiş sınıflardan birine ait olarak tanımlayan bir etikettir. Pratikte bir sinir ağı, dijital bir dosyada toplanan, belirli bir göreve özgü bir dizi sayısal değerdir, böylece özel yazılım, görüntünün ait göründüğü sınıfa karşılık gelen etiketi elde etmek için ağı her görüntüye “uygular”.
Geleneksel yapay görme algoritmaları deterministiktir. Bu, ister genel ister özel olsun, matematiksel fonksiyonlar aracılığıyla her bir görüntünün ilgilenilen özellikleri aramak üzere analiz edildiği anlamına gelir. Bu yaklaşım, uygulamalarını, özelliklerin görüntü öğelerinin geri kalanına göre çok belirgin veya belirgin olduğu çok özel durumlarla sınırlar ve her zaman insan uzmanların müdahalesini gerektirir. Gerçek dünyada, deterministik algoritmaların kullanımına elverişli koşullar hiç de sık değildir. Aksine, sonucun doğruluğunu büyük ölçüde etkileyen birçok müdahale unsuru vardır. Derin öğrenme ise az ya da çok gerçekçi varsayımlardan yola çıkmaz, ancak öğrenme aşamasında koşullara otomatik olarak uyum sağlar, yani öngörülemeyen değişikliklere karşı daha az duyarlıdır ve bunu teorik varsayımlara ya da bir uzmanın çalışmasına gerek kalmadan başarabilir.
En sık kullanılan uygulama, sinir ağı tarafından kusurlu olarak etiketlenen ürünleri atan bir reddetme sistemini etkinleştirmek için morfolojik kusurların tespit edilmesidir. Örneğin, gıda maddelerinde yabancı cisimlerin veya kusurlu birimlerin tespiti, parçalarda, tekstillerde veya gıda ürünlerinde kabul edilemez renk farklılıkları veya bir ürünün çeşitli kalite dereceleri için adil bir fiyat hesaplamak amacıyla hataların veya kusurların objektif olarak ölçülmesi, örneğin satış ve pazarlama için tahıllardaki kusurlar.
