AI as a Service, Edge, Platform Avitas System, IaaS FPI - PowerPoint PPT Presentation

AI ¡as ¡a ¡Service, ¡Edge, ¡Platform ¡– Avitas System, ¡IaaS

FPI ¡– Fluorescent ¡Penetrant ¡Inspection End-­‑to-­‑end ¡system ¡for ¡automated ¡defect ¡detection Fluorescent ¡penetrant ¡area ¡detection • -­‑ unsupervised ¡method ¡to ¡identify ¡fluorescent ¡penetrant ¡area Deep ¡learning ¡based ¡defect ¡detection ¡and ¡classification • Crack ¡localization ¡and ¡automatic ¡report ¡generation ¡using ¡3D ¡techniques •

DRM ¡-­‑ Automatic ¡Distress ¡Ranking ¡System • Deployed ¡at ¡GE ¡aviation ¡shops • SPOT ¡ON ¡accuracy Ground ¡truth ¡by ¡manual ¡ annotation Original ¡image Segmentation ¡result (a) (b) mean IU = 86.94, pixel acc = 96.14 (c) (d) (e) mean IU = 88.46, pixel acc = 95.96 (f)

OCR ¡– Part/Serial ¡Number ¡Recognition • The Network Architecture 40 × 480 Convolution Convolution Convolution 10 × 120 × 64 20 × 240 × 32 40 × 480 × 32 De-Convolution Convolution Convolution SPLIT 5 × 60 × 2 5 × 60 × 64 40 × 480 × 2 1 × 1 × 37 1 × 1 × 64 Database ¡Constrained ¡Correction E00070EN Left ¡branch: ¡FCN ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ Right ¡branch: ¡CNN

One ¡Shot ¡Learning ¡for ¡Severity ¡Detection Support ¡Set One ¡Shot ¡Problem : ¡Only ¡few ¡examples ¡of ¡ labeled ¡images ¡are ¡available Fine ¡tuning ¡is ¡one ¡approach ¡but ¡ requires ¡ • changes ¡to ¡the ¡network ¡ and ¡ reasonable ¡ number ¡of ¡annotations to ¡get ¡good ¡ performance. We ¡want ¡to ¡train ¡a ¡network ¡to ¡produce ¡ • sensible ¡test ¡labels ¡for ¡unseen ¡data ¡ without ¡ retraining ¡the ¡network. ¡ We ¡want ¡to ¡train ¡deep ¡networks ¡(e.g. ¡ • Matching ¡Networks [2]) to ¡classify ¡a ¡new ¡ test ¡sample ¡with ¡respect ¡to ¡a ¡given ¡set ¡of ¡ labeled ¡examples(support ¡set). Test ¡Example Matching ¡Networks ¡for ¡One ¡Shot ¡Learning [2] ¡Matching networks for One Shot Learning. ¡NIPS‘ ¡2016.

Guided ¡Perturbations: ¡Self ¡corrective ¡behavior ¡in ¡ CNNs Class ¡probabilities Forward ¡/ ¡inference 0.85 1.0 0.1 0.04 horse horse cow cow cat cat . . . . . . . . . . . . 0.7 1.0 0.25 0.03 horse horse cow cow cat cat Step ¡1 . . . . . . . . . . . . Input FCN ¡output 21 Backward perturbation Step ¡2 Forward ¡/ ¡inference Perturbed Input Step ¡3 Our ¡output 21 Self ¡corrective ¡behavior ¡in ¡CNNs ¡using ¡ structured ¡perturbations ¡ Our ¡approach

Reinforcement ¡Learning ¡for ¡View ¡Planning Challenges Auto ¡Inspection NP-­‑hard ¡problem • Naïve ¡approximate ¡algorithms, ¡e.g. ¡greedy ¡ • algorithm, ¡provides ¡results ¡very ¡far ¡from ¡optimal. Cam ¡ Cam ¡ Cam ¡ Cam ¡ 1 2 3 4 Cam ¡ Cam ¡ Cam ¡ Cam ¡ 5 6 7 8 Cam ¡ Cam ¡11 Cam ¡12 Cam ¡10 9 Human ¡approach Reinforcement ¡Learning ¡ Manually ¡Inspection Greedy Algorithm with ¡Function ¡Approx. Pros Good-­‑coverage on ¡various ¡type ¡of ¡ Cam ¡ Cam ¡ Cam ¡ Fast Faster ¡than ¡greedy Cam ¡ parts 1 2 11 8 Cam ¡ Guaranteed ¡full coverage ¡on ¡parts Guaranteed ¡full coverage ¡on ¡parts Cam ¡ Cam ¡ 3 12 4 Cam ¡ Expandable ¡ to ¡fully ¡automated ¡ Cam ¡ large ¡scale ¡inspection ¡system 9 5 Cam ¡ Cam ¡ Cam ¡ 13 Cons Far ¡from ¡optimal solution 7 Cam ¡ High ¡cost High ¡Computational ¡Cost 6 10 Slow ¡/ ¡Dependency ¡on ¡user ¡ Large performance ¡variance ¡on ¡ experience distinctive ¡parts