Category Archives: பங்களிப்பாளர்கள்

கீழ்க்கண்ட வேலைகளுக்கு கணினிப் பார்வைத் தொழில்நுட்பங்களைப் பயன்படுத்தலாம்: அபாயகரமான பணியிடங்களில் தனிநபர் பாதுகாப்பு சாதனங்கள் (PPE – Personal Protective Equipment) அணியவேண்டும் என்ற வழிமுறைகளைப் பின்பற்றுதல்.  அபாயகரமான வேதிப்பொருட்கள் (Chemicals) சரக்கு வைப்பு மற்றும் போக்குவரத்தைக் கண்காணித்தல்.  மீண்டும் மீண்டும் செய்யும் வேலைகளில் காயமடைவதைத் (repetitive injury) தடுக்க பணிச்சூழலியல் (Ergonomics) மதிப்பீடு. கட்டுமான தளத்தில் ஆபத்தான சூழ்நிலைகளைத் தவிர்த்தல் செய்யும் வேலையைப் பொருத்து பணியிடங்களில் தலைக்கவசம், பாதுகாப்புக் கண்ணாடி போன்ற சாதனங்களை அணிவது அவசியம்.… Read More »

உலோக பாகங்களின் மேற்பரப்பு குறைபாடு சோதனை மேம்பட்ட 2D மற்றும் 3D மேற்பரப்பு குறைபாடு ஆய்வு அமைப்புகள் இந்த வேலைக்குப் பயன்படுகின்றன. குறிப்பாக உலோக பாகங்களின் பொருளிலோ அல்லது உற்பத்தியிலோ இருக்கும் ஒடுக்கங்கள் (dents), நுண்துளைகள் (pores), சில்லுகள் (chips), பொளிந்த வடுக்கள் (pits), நிறமாற்றம், துரு, கீறல்கள், காடிகள் (grooves) போன்ற பழுதுகளை நம்பத்தகுந்த முறையில் கண்டறிய முடியும். 2D மற்றும் 3D சோதனைகளை சேர்ந்து செய்வதால் தவறான நிராகரிப்பு வீதத்தைக் (false reject rate)… Read More »

ஜவுளித் தொழிற்சாலை மற்றும் கிடங்குகளில் ரகவாரியாகப்பிரித்தல் ஜவுளித் தொழிற்சாலை மற்றும் கிடங்குகளில் வண்ணம் மற்றும் வடிவமைப்புபடி எண்ணுதல் மற்றும் ரகவாரியாகப் பிரித்தல் வேலைகளை கணினிப்பார்வை மூலம் செய்வதால் செலவைக் குறைக்க முடியும். இதற்கு நம் கணினிப்பார்வை அமைப்பு முதலில் செலுத்துப் பட்டையில் நகரும் ஜவுளிகளின் படத்தைப் பிடிக்கிறது. அடுத்து விளிம்பு கண்டறிதலைப் பயன்படுத்தி வடிவங்களை அடையாளம் காண்கிறது. கடைசியில் நாம் முன்னர் பார்த்தபடி ஹ்யூ உருமாற்றம் (Hough transform) பயன்படுத்தி வடிவியல்வாரியாகப் பிரித்தெடுக்கிறது. விலங்குத்தோல், மரப்பலகை போன்ற… Read More »

செலுத்துப்பட்டையில் (conveyor belt) வரும் பாகங்கள் ஒற்றையாக வரும். மேலும் இவை ஒரே திசையமையில் இருக்கக் கூடும். இவற்றை ஒவ்வொன்றாக எந்திரனின் கைப்பிடியில் பிடித்து எடுப்பது அவ்வளவு கடினமான வேலை அல்ல. பலவிதமான பாகங்கள் ஒன்றன்பின் ஒன்றாக வந்தாலும் பாகங்களை அவற்றின் வடிவம் (shape), அளவு (size)  மற்றும் பட்டைக்குறி (barcode) மூலம் அடையாளம் கண்டுகொள்ளலாம். ஆனால் கலன்களில் (bin) கொட்டி வைத்திருக்கும் பாகங்கள் சீரற்ற திசையமைவில் (random orientation)  இருக்கும். இவற்றை எந்திரனின் கைப்பிடியில் பிடித்து… Read More »

அடுத்து கணினிப் பார்வை அமைப்புகளைத் தொழில்துறையில், மேலும் குறிப்பாகத் தயாரிப்பில், பயன்படுத்தும் சில வழிமுறைகளைப் பார்ப்போம். பார்வை சோதனை அமைப்புகள் என்றால் என்ன?  பார்வை சோதனை அமைப்புகள் (இயந்திரப் பார்வை அமைப்புகள்) பல்வேறு தொழில்துறை மற்றும் உற்பத்தி வேலைகளில் பட அடிப்படையிலான சோதனையைத் தானியங்கி முறையில் வழங்குகின்றன. 2D மற்றும் 3D இயந்திரப் பார்வை அமைப்புகள் இப்போது பொதுவாகத் தானியங்கி சோதனை (automated inspection), எந்திரன் வழிகாட்டுதல் (robot guidance), தரக் கட்டுப்பாடு (quality control), தரம்… Read More »

புதிய பணியாளருக்குப் பயிற்சி கொடுப்பது போலவேதான் நீங்கள் கைமுறையாக வகைப்படுத்தல் (classification) செய்து கொண்டிருக்கிறீர்கள் என்று வைத்துக் கொள்வோம். ஒரு புதிய பணியாளருக்குப் பயிற்சி அளிக்க வேண்டும். என்ன செய்வீர்கள்? நீங்கள் வகைப்படுத்திய மாதிரிகளைக் காட்டி அதேபோல் செய்யச் சொல்வீர்கள் அல்லவா? எந்திரக் கற்றலில் பழக்குவதும் அதேபோல் தான். கைமுறையாக வகைப்படுத்திய படங்கள் ஆயிரக்கணக்கில் தேவை. தரவுத்தளங்களில் உள்ள படங்களை முடிந்தால் பயன்படுத்தலாம் படத்தொகுப்பில் ஒரு வடிவமைப்பைக் (pattern) கண்டுபிடிப்பது போன்ற எளிய கணினிப் பார்வை திட்டங்களுக்கு… Read More »

இயந்திரக் கற்றலுக்கு படத்தரவுகள் அவசியம் இயந்திரக் கற்றல் முறையில் பல்லாயிரம் படங்களையும் அவற்றைக் கைமுறையாக வகைப்படுத்திய தரவுகளையும் உள்ளீடு செய்யவேண்டும் என்று முன்னர் பார்த்தோம். இம்மாதிரி படங்களும், தரவுகளும் நமக்கு எங்கிருந்து கிடைக்கும்? எம்னிஸ்ட் (MNIST)  இது கையால் எழுதப்பட்ட இலக்கங்களின் பெரிய தரவுத்தளமாகும். இது பொதுவாக பல்வேறு இயந்திரக் கற்றல் பட வகைப்படுத்தல் (classification) முறைகளில் பயிற்றுவிக்கவும், சோதனை செய்யவும் பயன்படுகிறது.  சிஃபார் (CIFAR)  இந்தத் தரவுத்தளத்தில் வானூர்திகள், சீருந்துகள், பறவைகள், பூனைகள், மான்கள், நாய்கள்,… Read More »

இயந்திரக் கற்றல் (Machine learning) கணினிப் பார்வை வேலைகளுக்குத் தோதாக பல வினைச்சரங்கள் (algorithm) ஓபன்சிவியில் நிரலகங்களாக உள்ளன என்று முன்னர் பார்த்தோம். இயந்திரக் கற்றல் முறையில் பல்லாயிரம் படங்களையும் அவற்றைக் கைமுறையாக வகைப்படுத்திய தரவுகளையும் உள்ளீடு செய்வோம். இவற்றைப் பார்த்து வடிவமைப்பைக் (pattern) கணினி அடையாளம் கண்டுகொள்ளும் (recognize). பின்னர் நீங்கள் ஒரு புதிய படத்தை உள்ளிட்டால் முன்னர் கற்றுக்கொண்ட மாதிரியைப் (model) பயன்படுத்தி இதன் வகையை ஊகம் செய்ய (predict) முடியும். ஆழ்ந்த கற்றல்… Read More »