Сеть интеллектуальных машин

Изобретение относится к области вычислительной техники. Технический результат заключается в предоставлении самообновляющегося устройства для характеризации предмета, которое выполнено с возможностью автоматического обновления параметров своей памяти на основе параметров памяти других машин из соответствующей сети машин. Раскрыто самообновляющееся устройство, выполненное с возможностью характеризовать предметы, при этом устройство содержит: первый блок обработки данных, который включает в себя: первый блок измерений, выполненный с возможностью принимать предметы и выполнять физические измерения предметов; память, хранящую параметры для предметов, причем параметры пригодны для характеристики предметов на основе физических измерений, выполненных в отношении предметов, и характеристик, вычисленных с использованием физических измерений; и первый модуль обработки, включающий в себя программу искусственного интеллекта, причем первый модуль обработки: автоматически выбирает из множества источников источник, из которого должны приниматься новые параметры, причем источник включает в себя второй блок измерений, выполненный с возможностью принимать предметы и выполнять их физические измерения, и причем первый модуль обработки выбирает новые параметры для приема на основе подобия между физическими измерениями, выполненными посредством первого блока обработки, и физическими измерениями, выполненными посредством источников; автоматически изменяет по меньшей мере некоторые параметры, которые хранятся в памяти, в соответствии с новыми параметрами, принятыми от источника, и в соответствии с измерениями, выполненными посредством первого блока обработки, для генерирования измененных параметров; и передает поднабор измененных параметров одному или более получателям. 3 н. и 13 з.п. ф-лы, 15 ил.

 

ПЕРЕКРЕСТНАЯ ССЫЛКА НА РОДСТВЕННУЮ ЗАЯВКУ

По этой заявке испрашивается приоритет по патентной заявке США № 13/843784, поданной 15 марта 2013 года и озаглавленной "СЕТЬ ИНТЕЛЛЕКТУАЛЬНЫХ МАШИН", которая во всей своей полноте включена в материалы настоящей заявки посредством ссылки.

ОБЛАСТЬ ТЕХНИКИ, К КОТОРОЙ ОТНОСИТСЯ ИЗОБРЕТЕНИЕ

[0001]

Настоящее изобретение относится в целом к системе для обработки данных, полученных от множества интеллектуальных машин, и в частности, для машин, которые меняют свои внутренние состояния на основе входных данных, которые используются совместно между машинами.

УРОВЕНЬ ТЕХНИКИ

[0002]

Сегодня компьютеризированные машины используются для выполнения задач практически во всех аспектах жизни, например, обработка покупок на кассах магазина, прием и отслеживание заказов на сайтах Интернет-магазинов, упаковка и сортировка товаров, отслеживание запасов на складах, отслеживание регистрационных данных автомобиля, медицинское обследование для различных условий и обнаружение присутствия определенных объектов или условий. В некоторых случаях есть одна машина, которая обрабатывает все транзакции или действия для этой организации. Однако в большинстве случаев есть множество машин в различных местоположениях, обрабатывающих подобные задачи. Например, больницы могут иметь различные кампусы с несколькими магниторезонансными томографами (MRI) в различных частях кампусов. Подобным образом, сеть продуктовых механизмов может иметь много магазинов и складов на большой географической территории, при этом каждый магазин имеет ряд кассовых аппаратов. Точно так же, фермеры и сады могут каждый иметь свои собственные средства для того, чтобы автоматически сортировать свою продукцию, например, сортировать яблоки на яблоки высокого и низкого качества. Такие сортировочные машины часто основываются на внешнем виде продукта, как в случае, в котором видеокамера используется для идентификации плохих фруктов на основе автоматического классификатора.

[0003]

Имеет место неэффективность, вытекающая из того факта, что различные машины работают и обновляются отдельно и независимо друг от друга. Тогда как огромное количество данных собирается каждой машиной, различные машины не способны "координироваться" друг с другом или учиться друг у друга. Хотя к машинам часто приставлены люди-операторы, эксплуатирующие их, чтобы заниматься любыми нестандартными ситуациями или неисправностями, каждый из операторов знает лишь то, что происходит с подмножеством машин, за которые он отвечает, и он не извлекает выгоду из данных в других машинах. Это отсутствие связи и совместно используемых недавно изученных функций между машинами создает неэффективность и избыточность, что приводит к ошибкам. В одном случае, покупатель, ищущий конкретный предмет, может не иметь быстрого и легкого способа узнать, в каких близлежащих магазинах есть предмет, который он ищет. В такой ситуации много времени тратится покупателем на выяснение номеров телефонов и звонки в каждый из близлежащих магазинов, чтобы сделать проверку запасов. В другой ситуации машина медицинской диагностики, которая взаимодействовала с небольшим числом пациентов с переломами и использует свой исходный базовый алгоритм обнаружения, оставалась бы с той же самой способностью обнаружения в течение длительного времени, уступая тем самым диагностической машине, расположенной в центре спортивной медицины, которая бы непрерывно становилась умнее за счет подвергания более крупным выборкам таких переломов. В еще одной другой ситуации, включающей в себя машины классификации продукции, оператор должен был бы регулировать каждую машину отдельно, чтобы быть уверенным, что она отсеивает продукцию с определенным новым условием, которое было бы непривлекательным для клиентов. В еще одной другой ситуации, включающей в себя машины обнаружения объектов, сканирующие сумки работников на запрещенные предметы (например, алкоголь, сигареты), сумки работника из города, чьи обеды содержат предметы, которые являются уникальными для того региона, могли бы быть ошибочно истолкованы как сумка с запрещенным содержимым, потому что машина в корпоративной головной конторе не знает о типах содержимого сумок других городов.

[0004]

Требуется система искусственного интеллекта, которая устраняет неэффективность и избыточность и увеличивает точность, позволяя машинам координироваться, обмениваться данными и учиться друг у друга.

СУЩНОСТЬ ИЗОБРЕТЕНИЯ

[0005]

В одном из аспектов изобретение представляет собой самообновляющееся устройство, выполненное с возможностью характеризовать предметы или условия. Устройство включает в себя память, хранящую параметры для различных предметов, причем параметры полезны для характеристики предметов, и модуль обработки. Модуль обработки выполнен с возможностью автоматического выбора источников, из которых принимать данные, изменения параметров на основе данных, которые приняты, и выбора получателей измененных параметров. Выбор источников и получателей основан на сравнении параметров между модулем обработки и источниками и между модулем обработки и получателями, соответственно.

[0006]

В другом аспекте изобретение представляет собой самообновляющуюся сеть машин, которые выполнены с возможностью характеризовать предметы или условия. Сеть машин включает в себя множество машин, делающих измерения предметов, и центральный блок обработки. Каждая из машин имеет блок обработки и блок измерений, которые взаимодействуют, чтобы собрать физические измерения от предметов, сгенерировать параметры для характеристики предметов на основе физических измерений, и выбрать подгруппу параметров, которые должны быть переданы определенному получателю. Центральный блок обработки выполнен с возможностью приема подгрупп параметров от машин, обновления центральных параметров на основе принятых подгрупп параметров и отправки обновленных центральных параметров некоторым из множества машин.

[0007]

В еще одном другом аспекте, изобретение представляет собой реализуемый с помощью компьютера способ характеристики предмета или условия. Способ предполагает, что получают измерения от предмета; генерируют параметры для предмета на основе измерений, где параметры являются полезными для характеристики предмета; сравнивают параметры с новыми параметрами, принятыми от блока обработки; выборочно принимают по меньшей мере некоторые из новых параметров от блока обработки на основе сравнения; и автоматически меняют параметры на основе новых параметров.

ОПИСАНИЕ ЧЕРТЕЖЕЙ

[0008]

Фиг. 1 изображает машинную сетевую систему, которая включает в себя множество машин, которые обмениваются данными друг с другом и с центральным блоком обработки.

[0009]

Фиг. 2 представляет собой подробное изображение машин и центрального блока обработки.

[0010]

Фиг. 3 представляет собой блок-схему, иллюстрирующую процесс обновления параметров.

[0011]

Фиг. 4 изображает примерный вариант осуществления, где каждая машина представляет собой сортировочную машину.

[0012]

Фиг. 5 изображает одну из машин на Фиг. 4 более подробно.

[0013]

Фиг. 6 изображает часть оптического блока машины на Фиг. 5.

[0014]

Фиг. 7A представляет собой компьютерное изображение фрукта, показывающее мягкое вздутие и вмятину, как обнаружено машиной на Фиг. 5.

[0015]

Фиг. 7B представляет собой гистограмму поверхности фрукта, соответствующую изображению на Фиг. 7A.

[0016]

Фиг. 8 представляет собой гистограмму, полученную с поверхности фрукта, имеющего кислую гниль.

[0017]

Фиг. 9 представляет собой гистограмму, полученную с поверхности фрукта, имеющего чистую гниль.

[0018]

Фиг. 10 представляет собой гистограмму, полученную с поверхности фрукта, имеющего галькоподобную кожицу.

[0019]

Фиг. 11 представляет собой гистограмму, полученную с поверхности фрукта, показывающую условие мягкого вздутия и вмятины.

[0020]

Фиг. 12 представляет собой гистограмму, полученную с поверхности фрукта, показывающую дефект хребта и долины.

[0021]

Фиг. 13 представляет собой гистограмму, полученную с поверхности фрукта, имеющего раскол или порез на кожице.

[0022]

Фиг. 14 представляет собой гистограмму, полученную из поверхности фрукта, имеющего условие чистого вздутия и вмятины.

ОСУЩЕСТВЛЕНИЕ ИЗОБРЕТЕНИЯ

[0023]

В материалах настоящей заявки описаны варианты осуществления в контексте машин, которые классифицируют фрукты в соответствии с их сортами. Однако должно быть понятно, что варианты осуществления, предоставленные в материалах настоящей заявки, являются только примерами, и объем изобретения не ограничен применениями или вариантами осуществления, раскрытыми в материалах настоящей заявки. Например, система изобретения может быть полезна для любого типа оборудования, которое способно автоматически изучать правила из примеров (алгоритмы машинного обучения), включая, но не ограничиваясь, машину, которая использует нейронную сеть искусственного интеллекта и способна к итеративному обучению, например, медицинские диагностические машины, машины испытаний отказа и машины идентификации объекта.

[0024]

В контексте материалов настоящей заявки "удаленно расположенный" означает расположенный в других форумах, компаниях, организациях, учреждениях и/или физических местоположениях. Машины, которые расположены на различных этажах одного и того же здания, например, могли бы быть удаленно расположенными друг от друга, если различные этажи размещают различные организации. "Блок обработки", в контексте материалов настоящей заявки, включает в себя как центральный блок (20) обработки, так и машину (30) или группу машин (50). "Параметры", в контексте материалов настоящей заявки, включают в себя центральные параметры и внутренние параметры.

[0025]

Система согласно изобретению полезна для координации обмена информацией среди множества машин. В настоящем изобретении рассматривается сеть машин в связи друг с другом, которая исследует коллективную совокупность данных из различных машин, чтобы сгенерировать и изменить набор центральных параметров. Машины могут быть удаленно расположенными от центрального блока обработки и в различных местах по всему миру. Путем объединения в сеть, различные машины могут учиться друг у друга и использовать "знания", полученные от различных машин, чтобы учить и улучшать свои аналоги. Например, если машины представляют собой машины сортировки фруктов, машины могут узнать и приспособиться к тенденции, что новое условие, оказывающее влияние на цитрусовые фрукты, обнаруживается в различных местоположениях по всему миру. Центральный блок обработки может быть в состоянии либо выяснить способ обнаружения этого условия на основании этих данных, либо использовать скорректированные обновленные локальные центральные параметры в той машине, определить, какие географические местоположения подвержены этому условию, и передать информацию и новые центральные параметры машинам в этих местоположениях, что поможет обнаруживать это новое условие, так что фрукты с новым дефектом могут быть отклонены.

[0026]

Центральный блок обработки видит и анализирует данные с высокого уровня, используя глобальную сеть машин обнаружения. Следовательно, система согласно изобретению дает разумное, более информированное понимание ситуации, которое не может быть предоставлено одними отдельными машинами.

[0027]

Фиг. 1 изображает сеть 10 машин, которая включает в себя центральный блок 20 обработки в связи с множеством машин 30 через сеть. Центральный блок 20 обработки выполнен с возможностью приема и выборочной передачи информации машинам 30. Каждая машина 30 может быть одним машинным блоком или группой блоков, и, как правило, включает в себя аппаратные компоненты для приема предметов, которые должны быть протестированы. В некоторых случаях множество машин 30 сгруппированы, чтобы образовать "группу" или "семейство" 50 машин 30, которые непосредственно обмениваются данными между собой без прохождения через центральный блок 20 обработки. Машины 30 в семействе 50 машин часто имеют общность, например, присутствие в одной и той же общей географической области, конфигурацию для обработки определенных типов фруктов (например, цитрусовых фруктов) или представление одной и той же компании. Машины 30 тестируют каждый предмет, который принимают, и характеризуют предмет в соответствии с набором внутренних параметров. Например, в случае сортирующих фрукты машин, машина 30 может характеризовать каждый фрукт как "отклонить", "сок", "Сорт B5" и "Сорт A". Машины 30 выполнены с возможностью передачи данных в центральный блок 20 обработки, который собирает данных со всех машин 30 и разрабатывает свои собственные центральные параметры. В одном из вариантов осуществления, центральный блок 20 обработки изначально принимает данные от машин 30, чтобы самообучиться и сгенерировать свой собственный набор центральных параметров. По мере того, как больше данных принимается, центральный блок 20 обработки уточняет и изменяет свои центральные параметры, так что точность и широта характеристики улучшаются со временем.

[0028]

Машина 30, как правило, использовалась бы для характеристики предмета, например, путем обнаружения присутствия условия. Машина 30 может быть машиной сортировки фруктов, машиной обнаружения, кассовой машиной в магазине, медицинской диагностической машиной, машиной обнаружения неисправности, и т.д. Изобретение не ограничено использованием с каким-либо определенным типом машины. Например, машина 30 могла бы быть частью системы проверки безопасности на входе в высокотехнологичные производственные мощности, и в этом случае она могла бы использоваться для обнаружения присутствия любых цифровых устройств хранения, которые могут использоваться для хищения интеллектуальной собственности или технических данных. Машина на входе/выходе из магазинов могла бы использоваться для обнаружения украденного товара. Машина обнаружения неисправности могла бы обнаруживать микротрещины в крыльях самолета, а медицинское диагностическое устройство могло бы обнаруживать типы рака, переломы или другие условия. Машина сортировки фруктов могла бы обнаружить помятости или повреждение на фрукте. Если обнаружено присутствие целевого предмета, сигнал тревоги будет сгенерирован, чтобы пригласить оператора, кто может подтвердить присутствие целевого предмета/условия, или чтобы активировать автоматический ответ, такой как блокирование нежелательного объекта, перенаправление его в контейнер для отходов, открывание заявки на ремонт или размещение комментария в медицинском файле.

[0029]

Различные машины сталкиваются с различными предметами и условиями, подвергаются различной информации и могут учиться и разрабатывать собственные правила классификации/характеристики. Следовательно, каждая машина 30 имеет уникальный набор сильных и слабых сторон. Каждая машина 30 отправляет данные другим машинам 30 и центральному блоку 20 обработки и принимает информацию от других машин 30 и центрального блока 20 обработки. Связь между различными машинами, а также между машинами 30 и центральным блоком 20 обработки может быть достигнута через любую защищенную сеть с использованием предопределенного протокола.

[0030]

Блок обработки (например, машина 30) определяет, какие данные должны быть отправлены и в какие другие блоки обработки, на основе сравнения данных среди машин 30. Например, если сравнение данных показывает, что Машина X столкнулась с предметами, с которыми Машина Y еще не столкнулась, Машина X может передать параметры для предметов, с которыми Машина Y еще не столкнулась, Машине Y, так что Машина Y распознает предмет, когда она первый раз столкнется с предметом. В другом примере, где машина 30 сортировки инжира и машина 30 сортировки апельсинов сравнивают данные друг с другом и с другими машинами 30, машина сортировки инжира и машина сортировки апельсинов могут заметить, что некоторые из других машин сортируют объекты, которые, как правило, круглые и совместно используют подобные характеристики, что и инжир и апельсины. Они могут передать данные тем машинам и, возможно, получить параметры от тех машин, так что оба набора машин могут различать инжир, апельсины и другие предметы. Даже если машина сортировки инжира никогда не сталкивалась с апельсином непосредственно, она будет в состоянии распознать апельсин, если бы он был принят ей, потому что она узнала параметры апельсина от машины сортировки апельсинов.

[0031]

В другом примере машина проверки безопасности в Здании A может часто сталкиваться с устройствами USB, переносимыми работниками. Машина проверки безопасности в Здании B, с другой стороны, могла не сталкиваться с устройствами USB от своих работников и клиентов. При сравнении предметов между машинами в Здании A и Здании B, машина в Здании A может отправить параметры для устройств USB машине в Здании B. Если третья машина в Здании C уже имеет свои собственные параметры для устройств USB, машины в Зданиях A и C могут сравнить свои внутренние параметры и сделать какие-либо обновления, чтобы дополнительно уточнить параметры.

[0032]

Как объяснено, машины и блоки обработки могут "учиться" друг у друга путем сравнения и обновления своих параметров. В некоторых случаях, параметры, которых не хватает в одном блоке обработки, добавляются путем приема из другого блока обработки. В других случаях, параметры, которые различны, но идентифицируют один и тот же предмет, инициируют блоки обработки изменять один или более наборы параметров, чтобы усилить способность характеризации.

[0033]

В одном из вариантов осуществления, каждая машина 30 или группа машин 30 включает в себя программу искусственного интеллекта и способна учиться или изменять свои внутренние состояния на основе входных данных. Например, машины 30 могут узнавать об обычных предметах по мере того как больше предметов проходят через нее. Машины могут, например, включать в себя нейронную сеть. В начале, синаптические веса и пороговые величины нейронной сети инициализируются, и первый набор предметов вводится в машины, чтобы получить выходные данные. Например, если машины 30 представляют собой машины сортировки фруктов, выходные данные были бы классификацией, назначенной каждому фрукту (например, Сорт A, Сорт B, сок, отклонить). Машина-тренер будет сначала подавать произвольным образом смешанную партию фруктов в машину 30 и предоставлять входные данные, как каждый фрукт классифицирован, тем самым "обучая" машину 30. Этот тип машинного обучения хорошо известен. Машина 30, путем использования измерений и результатов, которые каждый набор измерений, как подразумевается, должен был произвести, генерирует набор условий для идентификации, как фрукт должен быть классифицирован. Машина запускает тесты на предметах, делает измерения и генерирует набор параметров для каждого предмета. Каждая машина имеет запоминающее устройство, которое записывает параметры всех предметов, с которыми она столкнулась. После начального обучения с набором фруктов каждая машина имеет набор внутренних параметров, которые она использует, чтобы охарактеризовать следующий фрукт, который принят. Чем больше фруктов машина 30 или группа машин 30 увидела, тем больше точек данных она будет иметь в своей памяти и тем более точной будет следующая характеристика. Внутренние параметры непрерывно модифицируются, чтобы повысить точность характеристики.

[0034]

В одном из вариантов осуществления, каждая машина 30 передает параметры всех предметов, с которыми она столкнулась, в центральный блок 20 обработки. Центральный блок 20 обработки поддерживает набор центральных параметров. Центральный блок 20 обработки обрабатывает данные, принятые от множества машин 30, в системе путем выполнения каждого входа, чтобы сгенерировать и изменить центральные параметры, которые используются, чтобы охарактеризовать следующий фрукт.

[0035]

Центральный блок 20 обработки также включает в себя программу искусственного интеллекта. По мере того как центральный блок 20 обработки принимает данные от всех машин 30 в сети, он будет разрабатывать более широкий набор параметров, которые охватывают все глобальные возможности. Кроме того, центральный блок 20 обработки будет в состоянии проанализировать региональные тренды, в отличие от машин 30. На основе тенденций и паттернов, которые он видит, центральный блок 20 обработки может подготовить определенные машины для новых параметров, с которыми они столкнутся. Альтернативно, машины 30 могут непосредственно обмениваться друг с другом данными, с которыми они столкнулись, эффективно "обучая" друг друга.

[0036]

Центральный блок 20 обработки также принимает внешние данные 40, такие как разведывательные данные или любые данные, которые должны быть выборочно распределены по машинам 30. Внешние данные 40 могут включать в себя разведывательную информацию или подробности о ситуациях в определенных регионах. Например, представим ситуацию, в которой машины представляют собой машины обнаружения. Если ценная картина украдена во Флоренции, Италия, внешние данные могут быть использованы, чтобы проинформировать центральный блок 20 обработки об этой ситуации. Центральный блок 20 обработки может, в ответ, отрегулировать параметры, чтобы повысить чувствительность к картинам и передать отрегулированные параметры машинам, так что машины почти сразу будут "искать" украденную картину. Подобным образом, если на стадионе есть длинные очереди, которые двигаются медленно, может быть введен запрос, чтобы понизить уровень чувствительности машин на входе, чтобы помочь очередям двигаться быстрее. В другом примере, включающем в себя машину сортировки продукции, информация, касающаяся ожидаемых погодных тенденций в заданном географическом регионе, может предупредить систему, чтобы она повысила обнаружение определенных типов повреждений, которые связаны с этой погодой. В другом примере, машина проверки безопасности турбины может изучить паттерн определенного повреждения лопастей вследствие увеличения остатков перьев от повышенной миграции птиц в определенные сезоны и в определенных регионах, и настроить эти машины так, чтобы увеличить чувствительность для этих машин проверки каждый год в этот период и в этом регионе. Внешние данные 50 могут быть введены машиной-тренером 40 или из другого источника.

[0037]

Фиг. 2 изображает один из вариантов осуществления машины 30 и центрального блока 20 обработки. Каждая машина 30 имеет модуль 32 обработки, который использует искусственный интеллект, и память 38, которая хранит внутренние параметры. Модуль 32 обработки и память 38 вместе называются "блоком обработки" (32+38). В дополнение к обладанию блоком обработки, машина 30 выполнена с возможностью приема предметов, перемещения принятых предметов, например, с помощью механизма перемещения, и подвергания каждого предмета одному или более тестам через модуль 34 тестов. Тест может быть простым определением формы или веса и может быть более сложной формой обработки изображения, а также любыми другими известными тестами, которые помогли бы проанализировать или обнаружить условие. С использованием результатов тестов (например, измерений) модуль 36 определения характеристик характеризует предмет. Модуль 34 тестов и модуль 36 определения характеристик вместе называются "блоком измерений" (34+36) и включает в себя физические компоненты для приема, удерживания и тестирования предметов. Если необходимо больше информации, чтобы охарактеризовать предмет, машина 30 запрашивает дополнительную информацию из внешнего источника, такого как оператор или дополнительные датчики. Характеризуя предмет, машина 30 использует внутренние параметры, хранимые в памяти 38. Внутренние параметры были ранее сгенерированы путем сопоставления предметов с различными условиями с их характеристикой. Следовательно, характеризация включает в себя сравнение измерений с внутренними параметрами. По мере того как больше информации принято, каждая машина может обновить или изменить свой набор внутренних параметров. Машина 30 имеет приемник/передатчик 39 для обмена информацией по сети.

[0038]

Центральный блок 20 обработки включает в себя модуль 24 обработки, который включает в себя программу искусственного интеллекта, и память 22, которая включает в себя машинную базу данных для хранения центральных параметров и данных о различных машинах в сети. Модуль 24 обработки и память 22 вместе называются "блоком обработки" (24+22). Центральный блок 20 обработки генерирует свой собственный набор центральных параметров на основе измерений и характеристических данных, которые он принял от машин 30. Центральные параметры, скорее всего, будут значительно более обширными и содержательными по сравнению с локальными внутренними параметрами на любой одной машине 30, потому что тогда как каждая машина 30 сталкивается только с предметами, которые она непосредственно обрабатывает, центральный блок 20 обработки имеет глобальную перспективу. Машинная база данных отслеживает все машины, которые отправляют ей информацию. При приеме данных центральный блок 20 обработки может маркировать данные с помощью ID машины, чтобы отслеживать, от какой машины, группы машин или семейства машин, которые обмениваются знаниями, пришли данные. Таким образом, центральный блок 20 обработки может уловить любые тенденции, такие как погода или другие внешние общие явления, или быть в поисках паттерна, который может быть предупреждающим знаком. Центральный блок 20 обработки также использует машинную базу данных, чтобы определить, какая машина извлечет выгоду из нового обновления/изменения параметров.

[0039]

Как показано, центральный блок 20 обработки и каждая машина 30 имеют приемную часть 26 и передающую часть 28 для обмена данными с другими машинами 30 и блоками обработки в сети. Приемная часть 26 и передающая часть 28 могут быть одним физическим компонентом. Как было упомянуто выше, центральный блок 20 обработки также принимает внешние данные 49 из источника, отличного от машин 30. Когда модуль 32 обработки машины 30 определяет, что имеется необычная ситуация в наличии, или ситуации может потребоваться предупреждение, он генерирует предупреждение с помощью генератора предупреждений. При приеме предупреждения либо внутренние реакции системы имели бы место, чтобы вызвать действие (такое как перенаправление предмета), либо человек-оператор был бы в состоянии оценить ситуацию и среагировать соответствующим образом. Предупреждение может быть некоторым типом аудиовизуального вывода в устройство, к которому есть доступ у оператора.

[0040]

Хотя не показано явно, как машины 30, так и центральный блок 20 обработки могут включать в себя интерфейс для обмена данными с оператором и/или машиной-тренером.

[0041]

Фиг. 3 иллюстрирует итеративный процесс 70 обновления параметров машинной сетевой системы 10, а также итеративный поток данных между машинами 30 и центральным блоком 20 обработки. Итеративный поток данных может происходить непосредственно между различными машинами 30 или между группами машин (каждая "группа машин" включает в себя множество машин). Как показано, машина 30 принимает предметы и подвергает каждый предмет тесту, чтобы получить измерения (этап 71). На этой блок-схеме предполагается, что машина 30 уже получила свою начальную подготовку и имеет предварительный набор параметров. Измерения затем сравниваются с этими параметрами, чтобы определить результат (этап 73). Если измерения соответствуют главным образом хорошо параметрам одного из ранее встречавшихся элементов (этап 75 - "нет"), машина 30 заключает, что новый предмет/ситуация не встретился, и продолжает характеризовать или обрабатывать предмет последовательно, таким образом, как было обучено обрабатывать предметы с этими параметрами (этап 77). Машина 30 может хранить, либо в локальном запоминающем устройстве, либо в центральном блоке 20 обработки, данные от сканирования вне зависимости от результата. Если измерения не соответствуют какому-либо ранее встречавшемуся набору параметров достаточно хорошо (этап 75 - "да"), генерируется предупреждение, чтобы либо запустить автоматический ответ, либо предупредить оператора (этап 79). Оператор исследует предмет, проверяет измерения и подвергает предмет дополнительным тестам, если хочет предложить характеристику. В некоторых вариантах осуществления, машина 30 собирает дополнительную информацию. Оператор затем предоставляет обратную связь (дополнительную информацию) машине путем ввода своей характеристики (этап 81). Машина обновляет свои параметры, чтобы включить дополнительную информацию, которую только что приняла (этап 83). Измерения, которые вызвали предупреждение и ввод оператора, либо сохраняются в машине 30, либо передаются другим машинам 30, и/или передаются в центральный блок 20 обработки (этап 85).

[0042]

Машины 30, группы машин 50 или центральный блок 20 обработки принимает измерения и характеристики от машин в сети 10 машин, которые часто находятся в различных местоположениях (этап 91). Центральный блок 20 обработки, машины 30 и/или группы машин 50 принимают данные независимо от машин 30 и имеют свой набор центральных параметров (этап 93) с предыдущего обучения. Обучение может быть основано на своих собственных внутренних наборах данных или наборах данных, принятых от других машин 30, семейств машин 50 и/или центрального блока 20 обработки. Как было упомянуто выше, центральный блок 20 обработки также принимает внешние данные (этап 95).

[0043]

Машины 30 и/или центральный блок 20 обработки непрерывно изменяет свои центральные параметры 94 на основе данных измерений, которые он принимает от машин 30, семейств машин 50 и центрального блока 20 обработки, и дополнительных данных 81, которые относятся к ранее не встречавшимся предметам/условиям. Центральные параметры помогают машинам 30, семейству машин 50 и центральным блокам 20 обработки идентифицировать, с какими предметами сталкиваются почти все машины, так что параметры для этих предметов могут быть усилены. Центральные параметры могут использоваться для выборочного увеличения "разрешения" обнаружения. Как только центральные параметры изменены, центральный блок 20 обработки, машины 30 и/или семейства машин 50 идентифицируют, либо для себя, либо для другого, машины, которые получили бы выгоду от обновленных параметров, например, машины, которые столкнулись бы с условием/предметом, который затронут обновленным параметром (этап 97). Например, если вновь найденное условие обусловлено заболеванием фрукта, которое есть лишь в определенном регионе, параметры для условия не были бы отправлены машинам в других местоположениях. С другой стороны, если параметры относятся к условию, которое применимо к любому местоположению (например, помятость), параметры могут быть отправлены всем машинам 30. Обновленные параметры затем передаются идентифицированным избранным машинам (этап 99).

[0044]

Машины 30, которые принимают измененные центральные параметры, могут дополнительно изменять свои собственные внутренние параметры, чтобы отразить измененные центральные параметры. Таким образом, машины 30, другие машины 30, другие семейства машин 50 и центральный блок 20 обработки непрерывно учат и учатся друг у друга. Машина 30 в сети 10 машин учится из нескольких источников: 1) предметы, которые проходят через машину, 2) принятая дополнительная информация, например, от местного оператора, 3) обновленные параметры, принятые от центрального блока 20 обработки, 4) новые данные и обновленные параметры от себя самой, 5) данные и обновленные параметры от других машин 30 или семейств машин 50.

[0045]

Фиг. 4 изображает вариант осуществления, в котором каждая машина 30 представляет собой сортировочную машину 100. Сортировочная машина 100 может быть машиной сортировки фруктов, которая включает в себя отличительные признаки, описанные в Патенте США № 5845002, и улучшена блоком 32+32 обработки, чтобы включать в себя искусственный интеллект и внутренние параметры. Хотя изобретение не ограничено использованием с каким-либо определенным типом машины, раскрытие предоставлено, чтобы предоставить конкретный пример того, как модуль 32 обработки в машине 30 и/или центральный блок 20 обработки могут быть использованы.

[0046]

Фиг. 5 показывает избранные части сортировочных машин 100 более подробно. Как показано, сортировочная машина 100 включает в себя традиционный линейный транспортер 112, по которому перемещается множество предметов 114. Для простоты иллюстрации это конкретное изображение не показывает блок обработки, хотя блок обработки является частью сортировочной машины 100. Это лишь один примерный вариант осуществления, и использование линейного транспортера не является ограничением идеи изобретения - предметы могут быть исследованы в статических ситуациях или с использованием других подвижных механизмов, таких как робототехника. Предметы 114 представляют собой фрукт (например, цитрусовый фрукт) в контексте настоящего раскрытия, хотя это не является ограничением изобретения. Конкретная сортировочная машина 100 может являться подходящей для предметов, которые, как правило, сферические и имеют топографическую текстуру поверхности. В других вариантах осуществления сортировочные машины 100 могут быть заменены машинами медицинского обследования, машинами отбора предметов и т.д.

[0047]

Конвейер 112 транспортирует фрукт 114 в оптический корпус 116, где фрукт освещается в узле 118 контроля внутри оптического корпуса 116. Конвейер 112 транспортирует и ориентирует фрукт 114, чтобы управлять представлением фрукта 114 для обработки изображения. Конвейер выполнен с возможностью предоставления максимального оптического экспонирования фрукта 114 в узле 118 контроля. Конвейерная система 112 в проиллюстрированном варианте осуществления включает в себя управляемые катушки, чтобы вращать фрукт 114. В варианте осуществления на Фиг. 4 и Фиг. 5 фрукт 114 вращается в обратном направлении по мере того как он продвигается через узел 118 контроля, чтобы по меньшей мере частично компенсировать его поступательное движение вниз по конвейеру 112. Фрукт 114 вращается так, что одна и та же поверхность имеет тенденцию остаться обращенной к камере 130 во время длительного времени экспозиции, чтобы позволить полное и надежное формирование изображения. Это, конечно, может быть синхронизировано по времени средствами, хорошо известными в области техники.

[0048]

Когда фрукт 114 переносится конвейером 112 в корпус 116 и в узел 118 контроля, фрукт 14 освещается парой источников 122, 124 света. Источники 122, 124 света сфокусированы на фрукте 114 снизу и могут дополнительно быть снабжены традиционной оптикой, чтобы содействовать в предоставлении оптимального освещения поверхности фрукта 114.

[0049]

Оптические источники 22, 24 могут быть оптическими волокнами или лазерными лучами или световыми лучами, сформированными светодиодами (LED). Альтернативно, единственный источник света может использоваться и может быть оптически разделен на два оптических источника 22, 24. Источники 22, 24 света (или единственный источник света) предоставляют падающий свет, который будет рассеян внутри фрукта, заставляя его светиться. Частота или частотный спектр света выбирается на основе оптических свойств объекта, который должен быть проверен, чтобы произвести желаемое рассеивание внутри объекта, и результирующую проекцию этого свечения через его поверхность. С цитрусовым фруктом обычного видимого спектра может быть достаточно.

[0050]

Камера 130 соединена с компьютером 134 текстурного режима. Компьютер 134 текстурного режима представляет собой персональный компьютер, соединенный как с главным компьютером 136, который выполняет функции конвейера и сортировочных систем, так с компьютером 138 ввода/вывода, которые обеспечивает пользовательский ввод и доступ к выходным данным системы 100. Текстурный анализ фрукта 114 сделан посредством компьютера 134 текстурного режима. В соответствии с инструкциями пользователя, ввод через компьютер 138 ввода/вывода к главному удаленному компьютеру 136 выполнит операцию сортировки, как продиктовано компьютером 134 текстурного режима, во множестве сортировочных станций 140, которые могут включать в себя приводимые в действие соленоидом выбрасываемые пальцы, по которым фрукт 114 едет, и посредством которых фрукт 114 выбрасывается с линейного транспортера 112 в соответствующие сортировочные контейнеры 142 или вторичные конвейеры.

[0051]

Текстурный модуль сортировочной машины 100 состоит из трех подсистем, которые включают в себя освещение и оптику (включая оптический корпус 116), формирование изображения, как предоставлено камерами 30 и зеркалами 126a, 126b, 128a, 128b, и обработку изображения в компьютере 134 текстурного режима.

[0052]

Центральный компьютер 138 ввода/вывода и главный удаленный компьютер 136 являются традиционными и, по существу, такими же, что используются в устройстве классификации и сортировки предшествующего уровня техники. Центральный компьютер 138 ввода/вывода предусматривает управление системой, включая предоставление всех аспектов пользовательского интерфейса, выбор ввода и вывода различных параметров классификации, и определение путей конвейера в машине 100, где множество полос для конвейера 112 предоставлены в более сложной группе, чем простое линейное изображение на Фиг. 4.

[0053]

Для определенных применений может быть желательным использовать определенную длину волны или спектр падающего света, так чтобы желаемый оптический эффект мог подчеркнуть определенный тип дефекта в этом типе объекта, который должен быть проконтролирован. Это оставляют достаточно квалифицированному специалисту, столкнувшемуся с определенным типом объекта и дефекта, определить корректную частоту или спектр падающего света.

[0054]

Узел 118 контроля соответствующим образом экранирован, как требуется, чтобы предоставлять плоскую неотражающую поверхность, чтобы избежать ложных изображений, или чтобы включать в себя отражающие поверхности, если необходимо увеличить интенсивность света, падающего на фрукт. В варианте осуществления, проиллюстрированном на Фиг. 5, свечение из света, рассеянного внутри фрукта 114 и спроецированного через его кожицу, отражается от нижних зеркал 126a, 126b и оттуда к верхним зеркалам 128a, 128b. Матрица CCD (приборов с зарядовой связью) или сканирующая камера 130 имеет свою оптику 132, сфокусированную на верхних зеркалах 128a, 128b, чтобы захватить в одном компьютерном изображении практически всю внешнюю поверхность полусферы фрукта 114.

[0055]

Как показано на Фиг. 6, есть две камеры 130a, 130b, каждая из которых захватывает изображение одной или двух полусфер фрукта 114. Например, первое полусферическое изображение фрукта 114 отражается нижним правым зеркалом 127a в верхнее левое зеркало 129a и оттуда в первую камеру 130a. Изображение этой первой полусферы также отражается нижним левым зеркалом 127b в верхнее правое зеркало 129b в первой камере 130a.

[0056]

После того как фрукт 114 отправился вниз по конвейеру 112 и испытал синхронизированное вращение, чтобы показать свою вторую полусферу, изображение второй полусферы фрукта 114 отражается нижним правым зеркалом 127c в верхнее левое зеркало 129c, и от нижнего левого зеркала 127d в верхнее левое зеркало 129d, при этом оба результирующих изображения отражаются в другую камеру 130b.

[0057]

Система освещения использует две вольфрамовые галогенные проекционные лампы 122, 124, расположенные на противоположных сторонах фрукта 114 и ниже средней линии фрукта. Лампы излучают достаточно света надлежащей частоты или спектра, падающего на фрукт 114, чтобы создать эффект свечения, передаваемый через кожицу/кожу фрукта 114, который может быть обнаружен камерой. Другими словами, фрукт предоставит эффект свечения камере, при условии, что расположение, интенсивность и частота/спектр света таковы, что проникновение света в кожицу или кожуру фрукта 114 возникает и рассеивается там внутри, чтобы предоставить эффект свечения через кожицу.

[0058]

На камере 130 нет специального фильтра, и выдержка формирования изображения управляется электронно. Электронное управление выдержкой компенсирует любое различие в интенсивности свечения вследствие различий в размере фрукта и толщине кожицы. Это может быть определено во время начальной части выполнения, и соответствующие коррекции, либо автоматические, либо ручные, могут быть введены через контроллер 138 ввода/вывода.

[0059]

Автоматическое управление может быть осуществлено пользователем фотодиода 144, установленного на каждой камере 130, чтобы генерировать выходную частоту, посредством генератора частоты (не показан), которая зависит от количества света, воспринятого каждым фотодиодом. Путем использования выходной частоты от генератора частоты, управляемого фотодиодами 144, выдержка на чипе на ПЗС в камерах 30 управляется.

[0060]

Существует большое количество способов, которыми фрукт 114 может быть подсвечен, а также способов, которыми может быть сделано компьютерное изображение фрукта 114, с помощью либо пользователя одной или более камер, либо различных оптических систем и конфигураций. По существу полное компьютерное изображение каждого фрукта 114 предоставляется так, что текстурные характеристики, как обсуждено ниже, не будут опускать какой-либо существенной части поверхности фрукта. Для некоторых применений изображения только одной полусферы с использованием единственной камеры 30 и упрощенной оптики может быть достаточно.

[0061]

Компьютер 134 текстурного режима выполняет обработку изображения и передает информацию классификации в оставшуюся часть системы для окончательного выбора отсева в соответствии со средствами, известными в области техники.

[0062]

Теперь будет описана обработка захваченного изображения, чтобы предоставить классификацию текстуры топографической поверхности. В проиллюстрированном варианте осуществления первый этап состоит в том, чтобы отсеять неверную информацию, такую как отраженные световые интенсивности от источников 122, 124 света, которые не составляют свечение от света, рассеянного внутри фрукта 114 и появляющегося через его кожицу. Обращаясь к Фиг. 7A, изображены яркие части 146 фактического компьютерного изображения гладкой кожицы фрукта. Два изображения фрукта 114 показаны на Фиг. 7A, изображающие в сущности два полусферических вида фрукта. Таким образом, области 146 графического изображения, из-за их заметно более высоких уровней интенсивности, могут быть устранены как части графического информационного сигнала, не переносящие никакой информации о текстуре топографической поверхности.

[0063]

Сканирование поверхности фрукта производится, чтобы предоставить максимальное, минимальное и стандартное отклонение интенсивности всего точечного изображения, составляющего изображение, чтобы предоставить признак того, есть ли вариации интенсивности в изображении, которые могли бы составить дефекты поверхности, требующие дополнительного исследования, такие как вздутие и вмятина, порезы кожицы, проколы, и т.д.

[0064]

Вздутие в цитрусовом фрукте представляет собой область кожицы, которая слегка отсоединена от основной мякоти, и таким образом будет слегка опухшей или "надутой". Вмятина представляет собой обратную ситуацию, в которой часть поверхности кожуры была подвергнута нажатию относительно смежных областей.

[0065]

Если не обнаружено дефектов, то графическое изображение проверяется на высокочастотные данные, которые, например, служили бы признаком шероховатости поверхности фрукта. Данные, полученные от фрукта 114, могут затем быть поданы обратно в главный компьютер 136 в целях классификации в соответствии с предопределенным критерием.

[0066]

В случае, когда глобальный статистический анализ поверхности фрукта указывает, что существует дефект кожицы, тип дефекта может затем быть определен путем применения последовательности фильтров данных, чтобы идентифицировать их. Фильтр данных высоких частот может быть использован для поиска порезов или проколов. Фильтр низких частот с анализом сгустков, отслеживанием и соотношением размеров областей более высокой интенсивности полезен для идентификации вздутия и вмятины, чтобы отличить их от гниения.

[0067]

После того как данные вздутия и вмятины разделены, последовательность проверок, чтобы показать пиковые интенсивности над значениями стандартных отклонений, могут использоваться для идентификации степени дефекта внутри категории дефекта, такой как вздутие и вмятина. После того как это обработка выполнена, размер фрукта в целом сравнивается с пораженной областью, чтобы сгенерировать процентное значение для дефекта пораженной поверхности. Другие дефекты, такие как гниль или разрывы в кожуре, могут не быть предметом процентной оценки, но могут являться причиной немедленного отклонения фрукта вне зависимости от доли пораженной области фрукта.

[0068]

Фиг. 7A, на которой изображено компьютерное изображение гладкой апельсиновой кожуры, иллюстрирует двойное изображение от отраженного изображения, предоставленного камере. Более яркие участки 146 от источника освещения устранены как не содержащие информацию, относящуюся к природе состояния кожицы. Статистическая информация затем берется из всего графического изображения, чтобы получить максимальное, минимальное и стандартное отклонения, чтобы охарактеризовать вариации интенсивности пикселей изображения. В этом случае, статистические отклонения, которые вернулись бы, указывали бы, что фрукт был гладким и хорошим в пределах приемлемого диапазона. В тот момент дополнительный статистический анализ не выполнялся бы, и положение фрукта маркировалось внутри сортировочной машины 100 и переносилось вниз по конвейеру 112, чтобы быть направленным в соответствующий сортировочный контейнер 142 или вторичный конвейер, или для анализа и классификации в соответствии с дополнительными способами и критериями.

[0069]

В целях иллюстрации типичная строка 148 развертки взята по одной части двух полусферических изображений на Фиг. 7A. Интенсивность строки развертки затем изображается на гистограмме на Фиг. 7B, где интенсивность изображается в виде графика по вертикальной шкале и располагается вдоль строки развертки вдоль горизонтальной шкалы с окончанием 150, соответствующим левому концу гистограммы на Фиг. 7B, и окончанием 152 строки 148 развертки, соответствующим правому концу гистограммы на Фиг. 7B. Визуальное исследование гистограммы на Фиг. 7B показывает вариации интенсивностей пикселей, сохраняющихся внутри диапазона значений с довольно ограниченным отклонением от среднего, чтобы предоставить образец, довольно сильно отличающийся от гистограмм, изображенных на Фиг. 8-14, где проиллюстрированы различные дефекты фрукта. Через традиционные статистические показатели гистограммы могут быть охарактеризованы значимыми статистическими параметрами, и через эти параметры отсортированы в категории, чтобы надежно идентифицировать текстуру топографической поверхности фрукта 114.

[0070]

Фиг. 8 изображает гистограмму интенсивности, взятую из компьютерного изображения фрукта 114, который испорчен поверхностным разложением, известным как кислая гниль. По сравнению с гистограммой на Фиг. 7B, здесь значительно более широкая вариация между максимумом и минимумом, и отклонение от среднего значительно больше, чем в случае Фиг. 7B. Фиг. 9 изображает гистограмму интенсивности, взятую из компьютерного изображения фрукта 114, который характеризуется дефектом кожи, известным как чистая гниль. Гистограмма показывает большой пик, резко спадающий до средней интенсивности пикселей. Фиг. 10 изображает гистограмму интенсивности, взятую из компьютерного изображения фрукта 114, который характеризуется высокой пористостью или галечной поверхностью, которая может не понравиться некоторым потребителям. Фиг. 11 изображает гистограмму интенсивности, взятую из компьютерного изображения фрукта 114, чья поверхностью испорчена условием, известным как мягкое вздутие и вмятина, а Фиг. 12 представляет собой гистограмму, взятую из фрукта 114, чья поверхностью испорчена дефектом, известным как хребет и долина. Фиг. 13 изображает гистограмму, взятую из фрукта 114 с "трещиной", который включает в себя расколы, порезы, проколы, и царапины. Фиг. 14 изображает гистограмму, взятую из фрукта 114 с дефектом кожи, называемым чистое вздутие и вмятина.

[0071]

Каждая из гистограмм, описанных выше, может быть сохранена в памяти машин как часть предопределенных условий для характеристики фрукта. При выполнении измерений от вновь принятого фрукта, машина 30 будет подвергать его процедуре получения изображения, чтобы создать изображение, подобное раскрытому на Фиг. 7A, и сгенерировать гистограмму. Гистограмма затем будет сравниваться с сохраненными гистограммами, которые показывают определенные условия/дефекты, чтобы сделать характеристику.

[0072]

Теперь процесс 70 на Фиг. 3 может быть объяснен в контексте сортировочной машины 100. Сортировочные машины 100 могут быть помещены в различных учреждениях, таких как фермы и сады, вероятно, в различных частях мира. Каждая сортировочная машина 100 изначально была бы "обучена" своими наборами данных из примеров, или оператором, который прогоняет репрезентативную выборку фруктов через машину и предоставляет входные данные относительно того, в какой контейнер 142 каждый фрукт в выборке должен быть помещен. Сортировочная машина разрабатывает свой собственный набор параметров на основе фруктов-образцов и входных данных, и использует эти параметры, чтобы классифицировать следующий фрукт, с которым она столкнется. Более конкретно, на этапе 71 фрукт изображается как две полусферы способом, показанным на Фиг. 7A, с помощью строки 148 развертки через одну часть двух полусферических изображений. Интенсивность строки развертки затем изображается на гистограмме, подобном тому, что показано на Фиг. 7B и Фиг. 8-14. На этапе 73 машина сравнивает гистограмму текущего фрукта со своими внутренними параметрами. Если нет по существу близкого соответствия между гистограммой текущего фрукта и одной из ранее сгенерированных гистограмм (этап 75 - "нет"), текущий фрукт будет отсортирован или классифицирован в тот же контейнер 142, что и предыдущий фрукт, который сгенерировал подобную гистограмму (этап 77). С другой стороны, если гистограмма текущего фрукта не напоминает какую-либо из ранее сгенерированных гистограмм достаточно близко (этап 75 - "да"), генерируется предупреждение (этап 79). Для системы или оператора, в ответ на предупреждение, данные используются, чтобы обучить и определить, как фрукт должен быть классифицирован, и сообщают машине 100, как он должен быть классифицирован (этап 81). Машина 100 изменяет или обновляет свои внутренние параметры с помощью этих новых данных (этап 83) и классифицирует текущий фрукт в соответствии с вводом оператора (этап 77).

[0073]

Машины 30, семейство машин 50 и/или центральные блоки 20 обработки изначально принимают данные сканирования и данные классификации от выборки машин, и в некоторых случаях от всех машин в сети (этап 91), и генерируют свои собственные центральные параметры (этап 93). Центральные параметры могут не быть в точности такими же, как и локальные параметры на любой одной машине 100, поскольку машины 30 и/или блока 20 обработки "видят" больше фруктов, чем любая отдельная машина 100 в сети, и предположительно подвергаются значительно большему количеству вариаций и условий, чем любая отдельная машина 100. Центральные параметры, таким образом, могут быть шире в диапазоне дефектов, которые покрываются, и могут быть в состоянии различать дефекты с более высоким разрешением. Машина 30, семейство машин 50 и/или центральные блоки 20 обработки также принимают любые внешние данные (этап 95). Например, внешние данные могли бы быть запросом от Департамента Сельского Хозяйства сообщать все случаи определенного условия или местные погодные условия.

[0074]

Машина 30, семейство машин 50 и/или центральные блоки 20 обработки затем идентифицируют машины 100, от которых одни должны принять данные, и которые должны принять обновленные/измененные центральные параметры (этап 97). Например, если обновление/изменение параметров относится к шероховатости кожи фрукта, это обновление было бы отправлено в машины 100, чья основная функция состоит в том, чтобы сортировать фрукты для отправки в различные продуктовые магазины. Однако измененные параметры не были бы отправлены в машины на заводе по производству сока, потому что текстура кожи фрукта не имела бы большого значения в процессе приготовления сока, который обычно происходит после того, как кожа удалена. В то же время, машина 30, семейство машин 50 и/или центральные блоки 20 обработки, также определяют, что все машины 100 в сети должны принять запрос от внешних данных. Данные и/или параметры затем передаются в выбранные машины (этап 99).

[0075]

Различные варианты осуществления блоков обработки могут быть реализованы с помощью или включать в себя одну или более компьютерных систем. Компьютерная система не предназначена, чтобы подразумевать какое-либо ограничение относительно объема использования функциональности описанных вариантов осуществления. Компьютерная система включает в себя по меньшей мере один процессор и память. Процессор выполняет машинно-исполняемые инструкции и может быть реальным или виртуальным процессором. Компьютерная система может включать в себя многопроцессорную систему, которая включает в себя множество блоков обработки для выполнения машинно-исполняемых инструкций, чтобы увеличить вычислительную мощность. Память может быть энергозависимой памятью (например, регистры, кэш, оперативное запоминающее устройство (RAM)), энергонезависимой памятью (например, постоянное запоминающее устройство (ROM), электрически стираемое программируемое постоянное запоминающее устройство (EEPROM), флэш-память и т.д.) или их комбинацией. В варианте осуществления настоящего изобретения память может хранить программное обеспечение для выполнения различных вариантов осуществления раскрытой концепции.

[0076]

Кроме того, вычислительное устройство может включать в себя компоненты, такие как память/запоминающее устройство, одно или более устройств ввода, одно или более устройств вывода и одно или более соединений связи. Запоминающее устройство может быть съемным или несъемным и включает в себя магнитные диски, магнитные ленты или кассеты, постоянные запоминающие устройства на компакт-дисках (CD-ROM), перезаписываемые компакт-диски (CD-RW), цифровые видеодиски (DVD) или любой другой носитель, который может быть использован для хранения информации и к которому может быть осуществлен доступ вычислительным устройством. В различных вариантах осуществления настоящего изобретения запоминающее устройство может хранить инструкции для программного обеспечения, выполняющего различные варианты осуществления настоящего изобретения. Устройство(а) ввода может быть сенсорным устройством ввода, таким как клавиатура, мышь, перо, трекбол, сенсорный экран или игровой контроллер, вычислительное устройство голосового ввода, сканирующее вычислительное устройство, цифровая камера, или другим устройством, которое предоставляет ввод в вычислительное устройство. Вычислительное устройство(а) вывода может быть дисплеем, принтером, динамиком или другим вычислительным устройством, которое предоставляет вывод из вычислительного устройства. Соединение(я) связи обеспечивают взаимодействие по передающей среде с другим вычислительным устройством или системой. Передающая среда транспортирует информацию, такую как машинно-исполняемые инструкции, звуковую и видеоинформацию или другие данные в модулированном информационном сигнале. Модулированный информационный сигнал представляет собой сигнал, который обладает одной или более характеристиками, устанавливаемыми или изменяемыми таким образом, чтобы закодировать информацию в сигнале. В качестве примера, а не ограничения, передающая среда включает в себя проводные или беспроводные технологии, реализованные с помощью электрической, оптической, радиочастотной (RF), инфракрасной, акустической или другой несущей. Кроме того, механизм взаимосвязи, такой как шина, контроллер или сеть, может взаимосвязывать различные компоненты компьютерной системы. В различных вариантах осуществления настоящего изобретения программное обеспечение операционной системы может предоставлять рабочую среду для программного обеспечения, выполняющегося в компьютерной системе, и может координировать действия компонентов компьютерной системы.

[0077]

Различные варианты осуществления настоящего изобретения могут быть описаны в общем контексте машиночитаемых носителей. Машиночитаемые носители представляют собой любые имеющиеся в распоряжении носители, к которым может быть осуществлен доступ в компьютерной системе. В качестве примера, а не ограничения, внутри компьютерной системы машиночитаемые носители включают в себя память, запоминающее устройство, передающую среду и их комбинации.

[0078]

Следует понимать, что изобретение может быть применено на практике с модификацией и изменением в пределах сущности и объема прилагаемой формулы изобретения. Например, хотя определенные варианты осуществления машины 100 описаны в материалах настоящей заявки, система изобретения не ограничена реализацией только раскрытыми вариантами осуществления. Система может быть реализована, например, с помощью других типов машин, которые выполнены с возможностью обнаружения и снятия характеристик предметов, отличных от фрукта, включая, но не ограничиваясь, медицинские устройства, машины проверки безопасности и средства отслеживания запасов магазина, и т.д. Описание не предназначено быть исчерпывающим или ограничивать изобретение точной раскрытой формой. Следует понимать, что изобретение может быть применено на практике с модификацией и изменением.

1. Самообновляющееся устройство, выполненное с возможностью характеризовать предметы, при этом устройство содержит:

первый блок обработки данных, который включает в себя:

первый блок измерений, выполненный с возможностью принимать предметы и выполнять физические измерения предметов;

память, хранящую параметры для предметов, причем параметры пригодны для характеристики предметов на основе физических измерений, выполненных в отношении предметов, и характеристик, вычисленных с использованием физических измерений; и

первый модуль обработки, включающий в себя программу искусственного интеллекта, причем первый модуль обработки:

автоматически выбирает из множества источников источник, из которого должны приниматься новые параметры, причем источник включает в себя второй блок измерений, выполненный с возможностью принимать предметы и выполнять их физические измерения, и причем первый модуль обработки выбирает новые параметры для приема на основе подобия между физическими измерениями, выполненными посредством первого блока обработки, и физическими измерениями, выполненными посредством источников;

автоматически изменяет по меньшей мере некоторые параметры, которые хранятся в памяти, в соответствии с новыми параметрами, принятыми от источника, и в соответствии с измерениями, выполненными посредством первого блока обработки, для генерирования измененных параметров; и

передает поднабор измененных параметров одному или более получателям.

2. Самообновляющееся устройство по п. 1, в котором выбор источника и получателей содержит сравнение географических местоположений между первым модулем обработки и источниками.

3. Самообновляющееся устройство по п. 1, в котором выбор, посредством первого модуля обработки, источника и получателей содержит сравнение между параметрами, хранящимися в памяти, и параметрами, хранящимися в источниках, и между параметрами, хранящимися в памяти, и параметрами, хранящимися у получателей, соответственно.

4. Самообновляющееся устройство по п. 1, в котором изменение параметров регулирует уровни чувствительности параметров, используемых для характеристики предметов.

5. Самообновляющаяся сеть машин, выполненных с возможностью характеризовать предметы, содержащая:

множество машин, причем каждая из машин имеет блок обработки данных и блок измерений, которые взаимодействуют, чтобы собрать физические измерения от предметов, сгенерировать параметры для категоризации предметов на основе физических измерений и выбрать подгруппу параметров, которые должны быть переданы конкретной машине получателя, на основе подобия физических измерений в отношении предметов, выполненных посредством одной из машин и конкретной машины получателя;

центральный блок обработки данных, осуществляющий связь со множеством машин, при этом центральный блок обработки данных выполнен с возможностью принимать подгруппы параметров от множества машин, генерировать обновленные центральные параметры на основе принятых подгрупп параметров и отправлять различные поднаборы обновленных центральных параметров на выбранные машины из множества машин на основе предметов, измеренных выбранными машинами из множества машин.

6. Самообновляющаяся сеть по п. 5, в которой центральный блок обработки данных находится в географически удаленном местоположении от множества машин.

7. Самообновляющаяся сеть по п. 5, в которой первая машина из множества машин выполнена с возможностью передавать подгруппу параметров во вторую машину из множества машин, причем подгруппа параметров, которая передается, выбирается на основе сравнения параметров, хранящихся в первой машине и второй машине.

8. Самообновляющаяся сеть по п. 5, в которой блок измерений содержит модули тестирования, выполненные с возможностью удерживать и подвергать предметы одному или более тестам.

9. Самообновляющаяся сеть по п. 5, в которой обновление центральных параметров регулирует уровни чувствительности машин к конкретным предметам.

10. Самообновляющаяся сеть по п. 5, в которой машины выполнены с возможностью запрашивать дополнительную информацию после встречи с предметом, что находится за пределами ранее встречавшихся параметров, и передавать принятую дополнительную информацию в одну из других машин или центральный блок обработки данных.

11. Самообновляющаяся сеть по п. 5, в которой машина, которая принимает обновленные центральные параметры, изменяет свои сохраненные внутренние параметры с использованием принятых обновленных центральных параметров.

12. Самообновляющаяся сеть по п. 5, в которой машины включают в себя программу искусственного интеллекта.

13. Самообновляющаяся сеть по п. 5, в которой центральный блок обработки данных включает в себя программу искусственного интеллекта.

14. Компьютерно-реализуемый способ категоризации предмета, содержащий этапы, на которых:

получают измерения в отношении предмета;

генерируют первые параметры для предмета на основе измерений, причем первые параметры пригодны для категоризации предмета на основе непосредственных измерений, выполненных в отношении предмета;

выборочно принимают новые параметры, которые были сгенерированы на основе подобия между измерениями, выполненными посредством двух разных машин; и

автоматически изменяют параметры в соответствии с новыми параметрами и обновлениями на основе дополнительных непосредственных измерений для увеличения точности категоризации.

15. Способ по п. 14, дополнительно содержащий этапы, на которых:

сравнивают параметры с существующими параметрами, хранящимися у потенциальных получателей;

выбирают одного или более получателей из потенциальных получателей посредством идентификации получателя, у которого нет первых параметров, но, вероятно, есть необходимость использования первых параметров в будущем; и

передают параметры выбранным получателям.

16. Компьютерно-реализуемый способ по п. 14, в котором изменение параметров содержит этап, на котором регулируют уровни чувствительности параметров, используемых для категоризации предметов.



 

Похожие патенты:

Изобретение относится к средствам для выбора потенциально ошибочно ранжированного документа в наборе поисковых результатов в ответ на запрос. Технический результат заключается в повышении точности машинного обучения.

Изобретение относится к способу моделирования конфликтных ситуаций. Технический результат заключается в повышении точности моделирования конфликтных ситуаций.

Изобретение относится к вариантам устройств “умного дома”, а именно к системе, способу и аппарату для группировки интеллектуальных устройств. Способ и система для группировки интеллектуальных устройств включают в себя терминал группировки и, по меньшей мере, два выбранных интеллектуальных устройства.

Группа изобретений относится к средствам предоставления информации для водителей. Технический результат – повышение точности определения информации, которую необходимо предоставить водителю.

Изобретение относится к извлечению информации из текстов на естественных языках. Техническим результатом является повышение точности сентиментного анализа текстов на естественном языке, осуществляемого на уровне аспектов текстов.

Изобретение относится к способу моделирования преднамеренных повреждений элементов сети связи и может быть использовано при проектировании сетей связи для оценки эксплуатационных показателей.

Изобретение относится к автоматизированным системам управления. Способ прогнозирования состояния и оптимизации функционирования системы, состоящей из отдельных элементов или подсистем, включает оценку эффективности по долевому отношению значения выбранного подчиненного элемента к значению своего исторического максимума.

Изобретение относится к способам и системам для отбора обучающей выборки для обучения алгоритма машинного обучения. Технический результат заключается в расширении арсенала средств.

Изобретение относится к способу оценки способности узла компьютерной сети функционировать в условиях информационно-технических воздействий. Для осуществления способа формируют имитационную модель компьютерной сети, ранжируют все ее узлы, определяют весовые коэффициенты каждого узла, измеряют время вскрытия сетевой компьютерной разведкой, а также время начала и окончания работы каждого узла и время квазистационарного состояния, максимальное и минимальное значение времени поиска злоумышленником каждого узла, а также максимальное и минимальное время его распознавания, время принятия решения на его вскрытие, время на его воздействие, объем цифрового потока информации, количество связей узла, прогнозируют количество средств вскрытия, имеющихся у злоумышленника, измеряют количество поврежденных узлов сети, фиксируют информационно-технические воздействия на узлы сети, моделируют эти воздействия, моделируют совместное функционирование моделей компьютерной сети и информационно-технических воздействий, вычисляют достоверность вскрытия и достоверность воздействия, сравнивают их с пороговыми значениями, реконфигурируют сеть при превышении и производят перекоммутацию каналов связи.

Изобретение относится к автоматике и аналоговой вычислительной технике и может быть использовано для построения функциональных узлов аналоговых вычислительных машин, средств автоматического регулирования и управления, аналоговых процессоров.

Изобретение относится к области обработки синтеза речи и интерактивных диалогов. Техническим результатом является обеспечение возможности регулировки формы и/или содержания диалогового контента, произносимого человекоподобным роботом.

Изобретение относится к области алгоритмов машинного обучения. Техническим результатом является повышение точности модели DNN (Глубокая нейронная сеть) с уменьшенным размером.

Группа изобретений относится к вычислительной области техники, в частности к визуальным маркерам и способам их продуцирования, которые могут использоваться в робототехнике, виртуальной и дополненной реальности.

Изобретение относится к области безопасности и газоанализаторов, а именно к способам обнаружения взрывчатых и/или наркотических веществ в воздухе. В основе изобретения лежит анализ ЭКоГ сигналов, снятых имплантированными в мозг крысы электродами.

Изобретение относится к биотехнологии. Описаны трансляторы на основе нуклеиновых кислот, способные осуществлять логические операции с улучшенной эффективностью, максимизированным выходом и сниженным побочным действием, в частности в биологической системе.

Изобретение относится к способу диалога между машиной и человеческим существом. Технический результат заключается в обеспечении более естественного диалога с машиной, адаптированного к собеседнику (не стереотипного).

Изобретение относится к вычислительным системам. Технический результат направлен на повышение точности, извлекаемой из текстов на естественном языке информации.

Изобретение относится к вычислительным системам, основанным на биологических моделях, а именно к обучению глубоких нейронных сетей на основе распределений попарных мер схожести.
Изобретение относится к удовлетворению жизненных потребностей человека в части общения с другим человеком, животным либо их образами. Техническим результатом является обеспечение формирования наиболее достоверного человеческого образа, способного к псевдоличностному общению с собеседником при учете возможного состояния образа, выбираемого из результатов, полученных при помощи психологического портрета.

Изобретение относится к способу диагностики узлов транспортных средств. Для оценки основного параметра, определяющего уровень и характер нагрузки для диагностики особо ответственных узлов транспортных средств, размещают датчики, количество и сочетание которых выбирается индивидуально, на узле транспортного средства, производят измерения различных частотных сигналов, формируют входные параметры для нейронной сети, выполненной на основе технологии параллельных вычислений Nvidia CUDA, производят первоначальное обучение нейронной сети при эксплуатации объекта, оценивают уровень нагрузки на узел транспортного средства с учетом комплексного воздействия всех отдельных параметров.

Изобретение относится к области алгоритмов машинного обучения. Техническим результатом является повышение точности модели DNN (Глубокая нейронная сеть) с уменьшенным размером.

Изобретение относится к области вычислительной техники. Технический результат заключается в предоставлении самообновляющегося устройства для характеризации предмета, которое выполнено с возможностью автоматического обновления параметров своей памяти на основе параметров памяти других машин из соответствующей сети машин. Раскрыто самообновляющееся устройство, выполненное с возможностью характеризовать предметы, при этом устройство содержит: первый блок обработки данных, который включает в себя: первый блок измерений, выполненный с возможностью принимать предметы и выполнять физические измерения предметов; память, хранящую параметры для предметов, причем параметры пригодны для характеристики предметов на основе физических измерений, выполненных в отношении предметов, и характеристик, вычисленных с использованием физических измерений; и первый модуль обработки, включающий в себя программу искусственного интеллекта, причем первый модуль обработки: автоматически выбирает из множества источников источник, из которого должны приниматься новые параметры, причем источник включает в себя второй блок измерений, выполненный с возможностью принимать предметы и выполнять их физические измерения, и причем первый модуль обработки выбирает новые параметры для приема на основе подобия между физическими измерениями, выполненными посредством первого блока обработки, и физическими измерениями, выполненными посредством источников; автоматически изменяет по меньшей мере некоторые параметры, которые хранятся в памяти, в соответствии с новыми параметрами, принятыми от источника, и в соответствии с измерениями, выполненными посредством первого блока обработки, для генерирования измененных параметров; и передает поднабор измененных параметров одному или более получателям. 3 н. и 13 з.п. ф-лы, 15 ил.

Наверх