Программа - 2019

– Машинное зрение как интеллектуальный функциональный элемент сложных машин и систем.
– Применение ИИ и глубокое обучение в системах машинного зрения позволят машине видеть и думать, как человек?
– Насколько реально глубокое обучение систем машинного?
– Проблемы  обучения систем машинного зрения.

Технологии машинного зрения развиваются стремительно. Для построения во всех смыслах эффективных систем интеграторы (а они являются основными заказчиками Basler AG) должны быть в курсе быстро сменяющих друг друга технологических трендов. О принципиально новых возможностях машинного зрения на базе новой серии камер Basler aсе 2 – и пойдет речь в докладе.

Высокая конкуренция на рынке еще больше осложняет выбор оптимальных компонентов для заказчика. Мы, как крупнейший производитель камер машинного зрения в мире, стремимся предоставить лучшее соотношение цена/качество. Используя Асе2, заказчик сэкономит на SDK (максимальная простота разработки приложения и интеграции), оптике (идеально подходящий Basler lens дешевле более чем в 2 раза аналогичных объективов при сохранении требуемого качества картинки) и камере (инновационная модульная архитектура "железа" камеры + новейший сенсор IMX 392 от Sony).

Вы узнаете:
- как снизить затраты на компоненты системы машинного зрения
- и как при этом увеличить производительность и эффективность такой системы.

Мульти- и гиперспектральные изображения – это технология получения чего-то большего, чем цветная картинка приятная глазу. Человеку цветной картинки достаточно, а машина, проанализировав мульти- или гиперспектральное изображение, может сделать больше.

Особенно полезен такой подход при наблюдении предметов биологического, в частности растительного, происхождения. Эту технологию давно используют при спутниковом мониторинге лесов и полей, а в последнее время, с развитием беспилотной авиации, для сельского хозяйства и в "приземленных" приложениях (анализ состояния растений в процессе их искусственного выращивания). Спектр применения мульти- или гиперспектральное изображения довольно широкий.

Расскажу об основах технологии, способах получения мультиспектральных изображений и практическом их применении. Вышеназванные примеры лишь малая толика того, где мультиспектральные изображения могут стать основой новых подходов к решению конкретных задач (в том числе, и в интеллектуальных транспортных системах ITS, и в безопасности и пр.), когда найдутся люди, которые попробуют их там использовать для повышения функциональности существующих систем.

Маркировка различных видов продукции и контроль этой маркировки на производстве и в логистических цепочках весьма актуальны ввиду усиления государственного регулирования в этой сфере и требований современного производства к отслеживаемости продукта на всех стадиях его изготовления. Это уже в полной мере актуально для фармацевтической и алкогольной продукции. За ними последуют некоторые виды продовольствия (молочная продукция ) и неизбежно многие другие.
Очень часто интеграторы, столкнувшиеся с задачами контроля маркировки, впервые встречаются с машинным зрением в этих проектах и неизбежно совершают ошибки в подборе оборудования, отталкиваясь от очевидных, но не всегда достаточных соображений о разрешении камер, выборе оптики и освещения. Мы расскажем, на что следует обратить внимание, как подобрать соответствующую задаче камеру, оптику и свет в рамках ограниченного бюджета.

Современные технологические процессы становятся все более сложными, возрастает нагрузка на диспетчера, и, как следствие, системы становятся все более автоматизированными. Поскольку информационная насыщенность системы контроля возрастает пропорционально сложности производственного процесса, традиционные мнемосхемы оказываются перегружены информацией. Роль диспетчера сводится к контролю технологического процесса, таким образом, человек из активного участника процесса переходит в разряд еще одной следящей системы. В итоге возникает чувство: что бы ни случилось, система сама справится. По этой же причине куча аварий автопилота Теслы, по этой же причине произошло столкновение самолетов над боденским озером. Человек психологически НЕ ГОТОВ оперативно заменить собой сбоящую систему.

Кроме того, очень сложно оценить руководителю качество работы диспетчера. И мы получаем порочный круг – если не происходит авария, то нельзя оценить качество работы диспетчера, его вовлеченность в процесс. Если происходит авария, мы не можем гарантировать адекватную работу диспетчера, т.к. в нормальной работе ему нет необходимости быть полностью вовлеченным в процесс.

Предлагаю подойти к проблеме с другой стороны. Все мы хоть иногда играем в компьютерные игры. Причем если человек знаком хоть чуть-чуть с игрой, то момент, в который он оказался в игре, не особо принципиален – он практически мгновенно адаптируется к ситуации. То есть полностью вовлечен в процесс.

Исходя из этой логики, давайте поменяем концепцию построения системы диспетчеризации. Пусть диспетчер – это игрок, следовательно объекты технологии – это элементы локальной карты. Монтажники на площадке – игровые юниты, которым можно ставить задачу. Таким образом получится организовать систему диспетчеризации по аналогии с игрой Цивилизация, упростить внесение изменений в технологический процесс и избежать ошибок, сделанных по невнимательности человека. Однако эта идея может разбиться о суровую правду жизни, имя которого – Интернет вещей.

О рисках Интернета вещей на предприятиях и возможных решениях я и расскажу в докладе.

Специальный гость: Михаил Корчагин, директор, Интегрируемые технологии
Специальный гость: АО "Мосэкспертиза"