制造業(yè)中的AI智能是一個時髦的術(shù)語。在描述基于人工智能的缺陷檢測解決方案時，通常是關(guān)于某種基于深度學(xué)習(xí)和計算機視覺的視覺檢測技術(shù)。
什么是視覺檢測中的深度學(xué)習(xí)？
深度學(xué)習(xí)是機器學(xué)習(xí)技術(shù)的一個方面，由人工神經(jīng)網(wǎng)絡(luò)提供支持。深度學(xué)習(xí)技術(shù)的工作原理是教機器通過實例學(xué)習(xí)。通過為神經(jīng)網(wǎng)絡(luò)提供特定類型數(shù)據(jù)的標記示例，可以提取這些示例之間的共同模式，然后將其轉(zhuǎn)換為數(shù)學(xué)方程。這有助于對未來的信息進行分類。
通過視覺檢測技術(shù)，深度學(xué)習(xí)算法的集成可以區(qū)分零件、異常和字符，在運行計算機化系統(tǒng)的同時模擬人類視覺檢測。
那么，這到底是什么意思呢？讓我們舉個例子。
如果要為汽車制造創(chuàng)建視覺檢測軟件，你應(yīng)該開發(fā)一種基于深度學(xué)習(xí)的算法，并使用必須檢測的缺陷示例對其進行訓(xùn)練。有了足夠的數(shù)據(jù)，神經(jīng)網(wǎng)絡(luò)最終會在沒有任何額外指令的情況下檢測缺陷。
基于深度學(xué)習(xí)的視覺檢測系統(tǒng)擅長檢測性質(zhì)復(fù)雜的缺陷。它們不僅可以解決復(fù)雜的表面和外觀缺陷，還可以概括和概念化汽車零件的表面。
如何集成AI視覺檢測系統(tǒng)
1. 明確需求
視覺檢測開發(fā)通常從業(yè)務(wù)和技術(shù)分析開始。這里的目標是確定系統(tǒng)應(yīng)該檢測什么樣的缺陷。
需要提前明確的重要問題包括：
什么是AI視覺檢測系統(tǒng)的環(huán)境？
AI檢測應(yīng)該是實時的還是延時的？
AI視覺檢測應(yīng)該如何徹底檢測缺陷，是否應(yīng)該按類型區(qū)分？
是否有任何現(xiàn)有的軟件可以集成視覺檢測功能，還是需要從頭開始開發(fā)？
系統(tǒng)應(yīng)如何將檢測到的缺陷通知用戶？
AI視覺檢測系統(tǒng)是否應(yīng)該記錄缺陷檢測統(tǒng)計數(shù)據(jù)？
關(guān)鍵問題是：是否存在用于深度學(xué)習(xí)模型開發(fā)的數(shù)據(jù)，包括“好”和“壞”產(chǎn)品的圖像以及不同類型的缺陷？
2. 收集和準備數(shù)據(jù)
在深度學(xué)習(xí)模型開發(fā)開始之前，數(shù)據(jù)科學(xué)工程師必須收集和準備訓(xùn)練未來模型所需的數(shù)據(jù)。 對于制造流程，實施物聯(lián)網(wǎng)數(shù)據(jù)分析非常重要。在談?wù)揂I視覺檢測模型時，數(shù)據(jù)通常是視頻記錄，其中視覺檢測模型處理的圖像包括視頻幀。 數(shù)據(jù)收集有多種選擇，但最常見的是：
現(xiàn)有視頻記錄
適用于特定目的的開源視頻記錄
根據(jù)深度學(xué)習(xí)模型要求從頭開始收集數(shù)據(jù)
這里最重要的參數(shù)是視頻記錄的質(zhì)量。更高質(zhì)量的數(shù)據(jù)將導(dǎo)致更準確的結(jié)果。一旦我們收集了數(shù)據(jù)，我們就為建模做好準備、清理、檢查異常并確保其相關(guān)性。
3. 開發(fā)深度學(xué)習(xí)模型
深度學(xué)習(xí)模型開發(fā)方法的選擇取決于任務(wù)的復(fù)雜性、所需的交付時間和預(yù)算限制。有幾種方法：
1）使用深度學(xué)習(xí)模型開發(fā)（例如：Google Cloud ML Engine、Amazon ML 、 YOLO等）
當缺陷檢測功能的要求與給定服務(wù)提供的模板一致時，這種類型的方法是有意義的。這些服務(wù)可以節(jié)省時間和預(yù)算，因為無需從頭開始開發(fā)模型。只需要根據(jù)相關(guān)任務(wù)上傳數(shù)據(jù)并設(shè)置模型選項。
問題就是這些類型的模型不可定制。模型的功能僅限于給定服務(wù)提供的選項。
2） 使用預(yù)訓(xùn)練模型
預(yù)訓(xùn)練模型是一種已經(jīng)創(chuàng)建的深度學(xué)習(xí)模型，它可以完成與我們想要執(zhí)行的任務(wù)類似的任務(wù)。我們不必從頭開始構(gòu)建模型，因為它使用基于用戶自己的數(shù)據(jù)訓(xùn)練模型。
預(yù)訓(xùn)練模型可能不會 100% 符合我們的所有任務(wù)，但它可以節(jié)省大量時間和成本。使用之前在大型數(shù)據(jù)集上訓(xùn)練過的模型，用戶可以根據(jù)自己的問題定制這些解決方案。
3）從零開始深度學(xué)習(xí)模型開發(fā)
這種方法非常適用于復(fù)雜且安全的視覺檢測系統(tǒng)。這種方法可能需要大量時間和精力，但結(jié)果是值得的。
在開發(fā)自定義視覺檢測模型時，數(shù)據(jù)科學(xué)家會使用一種或多種計算機視覺算法。這些包括圖像分類、對象檢測和實例分割。
許多因素會影響深度學(xué)習(xí)算法的選擇。 這些包括：
業(yè)務(wù)目標
物體/缺陷的大小
光照條件
檢驗產(chǎn)品數(shù)量
缺陷類型
圖像分辨率
假設(shè)我們正在開發(fā)用于建筑物質(zhì)量評估的目視檢查模型。主要重點是檢測墻壁上的缺陷。需要大量數(shù)據(jù)集才能獲得準確的視覺檢查結(jié)果，因為缺陷類別可能非常多樣化，從油漆剝落和霉菌到墻壁裂縫。這里的最佳方法是從頭開始開發(fā)基于實例分割的模型。 在某些情況下，預(yù)先訓(xùn)練的模型方法也是可行的。
4. 訓(xùn)練和評估
開發(fā)視覺檢測模型后的下一步是對其進行訓(xùn)練。在這個階段，數(shù)據(jù)科學(xué)家驗證和評估模型的性能和結(jié)果準確性。測試數(shù)據(jù)集在這里很有用。 對于視覺檢測系統(tǒng)，它可能是一組過已有的或類似于要在部署后處理的視頻資料。
5. 部署和改進
在部署視覺檢測模型時，重要的是要考慮軟件和硬件系統(tǒng)架構(gòu)如何與模型容量對應(yīng)。
1）軟件
視覺檢測驅(qū)動軟件的結(jié)構(gòu)基于用于數(shù)據(jù)傳輸?shù)?Web 解決方案和用于神經(jīng)網(wǎng)絡(luò)處理的 Python、C# 框架的組合。這里的關(guān)鍵參數(shù)是數(shù)據(jù)存儲。有三種常見的數(shù)據(jù)存儲方式：在本地服務(wù)器、云服務(wù)或無服務(wù)器架構(gòu)上。
AI視覺檢測系統(tǒng)涉及視頻記錄的存儲。數(shù)據(jù)存儲解決方案的選擇通常取決于深度學(xué)習(xí)模型功能。例如，如果視覺檢測系統(tǒng)使用大型數(shù)據(jù)集，則最佳選擇可能是云服務(wù)。
2）硬件
根據(jù)行業(yè)和自動化流程，集成視覺檢測系統(tǒng)所需的設(shè)備可能包括：
攝像頭。關(guān)鍵的攝像頭選項是實時視頻流。一些示例包括 IP Camera 和 CCTV。
網(wǎng)關(guān)。專用硬件設(shè)備和軟件程序都適用于視覺檢測系統(tǒng)。
CPU/GPU。如果需要實時結(jié)果，GPU 將是比 CPU 更好的選擇，因為前者在基于圖像的深度學(xué)習(xí)模型方面具有更快的處理速度?？梢詢?yōu)化 CPU 來運行視覺檢查模型，但不能優(yōu)化用于訓(xùn)練。
光度計（可選）。根據(jù)視覺檢測系統(tǒng)環(huán)境的照明條件，可能需要使用光度計。
色度計（可選）。在檢測光源的顏色和亮度時，成像色度計始終具有高空間分辨率，可進行詳細的AI視覺檢測。
熱像儀（可選）。在蒸汽/水管道和設(shè)施的自動檢查的情況下，擁有熱像儀數(shù)據(jù)是個好主意。熱像儀數(shù)據(jù)為熱/蒸汽/水泄漏檢測提供了有價值的信息。熱像儀數(shù)據(jù)也可用于隔熱檢查。
無人機（可選）。如今，很難想象在沒有無人機的情況下對難以到達的區(qū)域進行自動檢查：建筑物內(nèi)部結(jié)構(gòu)、天然氣管道、油輪目視檢查、火箭/航天飛機檢查。無人機可能配備高分辨率相機，可以進行實時缺陷檢測。
深度學(xué)習(xí)模型在部署后可以改進。深度學(xué)習(xí)方法可以通過新數(shù)據(jù)的迭代收集和模型重新訓(xùn)練來提高神經(jīng)網(wǎng)絡(luò)的準確性。結(jié)果是一個“更智能”的視覺檢測模型，它通過增加操作期間的數(shù)據(jù)量來學(xué)習(xí)。
AI視覺檢測的應(yīng)用示例
航空公司
據(jù)波音公司稱，目前價值 2.6 萬億美元的航空航天服務(wù)市場中有 70% 用于質(zhì)量和維護。 20此前，他們推出了一種新的基于無人機的自動化飛機檢查系統(tǒng)，可加速和促進AI視覺檢測。 這一發(fā)展減少了飛機停機時間，同時提高了檢查報告的質(zhì)量。
汽車
汽車制造商可以利用AI視覺檢測技術(shù)分析和更準確地識別零部件等質(zhì)量問題，并在它們發(fā)生事故之前解決它們。
計算機設(shè)備制造
對更小的電路板設(shè)計的需求正在增長。富士通實驗室一直帶頭為電子行業(yè)開發(fā)支持人工智能的識別系統(tǒng)。他們稱在質(zhì)量、成本和交付方面取得了重大進展。
管道檢查
眾所周知，天然氣和石油管道的長度很大。 最新數(shù)據(jù)顯示，全球 120 個國家/地區(qū)的管道總長度略低于 2,175,000 英里（3,500,000 公里）。 天然氣和石油泄漏可能導(dǎo)致化學(xué)污染、爆炸和火災(zāi)，對自然造成巨大危害。借助計算機視覺技術(shù)的衛(wèi)星和無人機檢查是早期檢測和定位油氣泄漏的好工具。
交通
AI視覺技術(shù)通過對視頻/圖像資源進行深度學(xué)習(xí)分析，形成抽象、歸納、分析的結(jié)果，對人、車、物、行為等進行智能判斷，例如，在交通路口的攝像頭可以提取車牌，車型、駕駛員是否系了安全帶、違停檢測等。
安防
湖南一如信息技術(shù)有限公司基于多年視頻領(lǐng)域的技術(shù)經(jīng)驗積累，在人工智能技術(shù)+視頻領(lǐng)域，也不斷研發(fā)，將AI檢測、智能識別技術(shù)融合到各個視頻應(yīng)用場景中，如：安防監(jiān)控、視頻中的人臉檢測、人流量統(tǒng)計、危險行為（攀高、摔倒、推搡等）檢測識別等。可以根據(jù)客戶的實際場景需求，提供AI視覺模型的開發(fā)、訓(xùn)練和部署服務(wù)。
