1

如何在工業(yè)生產(chǎn)中應(yīng)用人工智能

在機(jī)器視覺領(lǐng)域存在一個(gè)共識(shí)，即：在數(shù)字時(shí)代，人工智能(AI)是推動(dòng)工業(yè)生產(chǎn)的關(guān)鍵。自學(xué)習(xí)算法有可能改進(jìn)現(xiàn)有機(jī)器視覺流程與產(chǎn)品，也帶來了新的應(yīng)用可能性。然而，這些也需要新的思維方式。但機(jī)器視覺行業(yè)中許多公司仍對(duì)新技術(shù)持保留態(tài)度。人們沒有所需的專業(yè)知識(shí)和時(shí)間來詳細(xì)地了解人工智能。由于對(duì)AI技術(shù)的監(jiān)管和認(rèn)證有限，許多用戶很難理解該技術(shù)及其結(jié)論。因此，目前市場(chǎng)對(duì)AI的接受度并不高，也缺乏對(duì)該技術(shù)的介紹。制造商能否增加應(yīng)用AI技術(shù)的透明度并降低應(yīng)用門檻？還是說AI技術(shù)仍無法應(yīng)用于工業(yè)用途，目前僅僅是初創(chuàng)企業(yè)玩弄的一項(xiàng)計(jì)謀？

2

AI技術(shù)缺少了什么？

人工智能或機(jī)器學(xué)習(xí)(ML)的工作方式與基于規(guī)則的圖像處理截然不同，因此視覺任務(wù)的方法和處理方式也不同。AI處理結(jié)果的質(zhì)量也不再是人工開發(fā)的程序代碼產(chǎn)物，而是由是否具有合適圖像數(shù)據(jù)的學(xué)習(xí)過程來決定。這聽起來很簡(jiǎn)單，但是只有通過足夠的專業(yè)知識(shí)和經(jīng)驗(yàn)才能實(shí)現(xiàn)預(yù)期的目標(biāo)。缺少處理正確數(shù)據(jù)的專業(yè)經(jīng)驗(yàn)，往往會(huì)導(dǎo)致錯(cuò)誤發(fā)生，而又會(huì)導(dǎo)致機(jī)器學(xué)習(xí)方法的錯(cuò)誤應(yīng)用。測(cè)試表明，在些某些情況下，由于使用了有太多不重要內(nèi)容、曝光不良、模糊不清甚至標(biāo)簽錯(cuò)誤的圖像，而導(dǎo)致不同用戶在同一任務(wù)中實(shí)現(xiàn)了非常不同的人工神經(jīng)網(wǎng)絡(luò)(ANN)訓(xùn)練質(zhì)量。

3

軟件先行

我們并不缺少合適的硬件!高效工作的AI加速器讓機(jī)器學(xué)習(xí)的應(yīng)用尤其適用于小型、低功耗嵌入式視覺系統(tǒng)或全集成的推理相機(jī)平臺(tái)。個(gè)別生產(chǎn)商已經(jīng)推出這種加速器了。但這并不能解決行業(yè)內(nèi)這項(xiàng)新技術(shù)應(yīng)在初期解決的問題。AI技術(shù)必須經(jīng)過測(cè)試、驗(yàn)證、重新訓(xùn)練并最終整合到高效的工作流程中，即應(yīng)用中。但是哪些公司會(huì)這樣做？而且還有能力這樣做？所有這些操作實(shí)際上都是相同的重復(fù)任務(wù)。但這需要超越原型開發(fā)的其他能力。而且還需要能為特定平臺(tái)的工具進(jìn)行編程的系統(tǒng)程序員。

4

應(yīng)用程序向?qū)?/span>

然而，大部分圖像處理應(yīng)用程序的工作流程相對(duì)簡(jiǎn)單。捕捉圖像→ 分析圖像或提取特征（圖像處理） → 做出處理決定 → 啟動(dòng)操作。此過程可以是對(duì)產(chǎn)品的簡(jiǎn)單識(shí)別和分類，隨后通過各種接口為機(jī)器控制或分揀系統(tǒng)發(fā)出信號(hào)或傳輸信息。這些基本功能只在一些細(xì)節(jié)上有所不同，因此不必每次進(jìn)行重新編程。然而，作為項(xiàng)目的切入點(diǎn)而選擇的深度學(xué)習(xí)使用案例，例如“分類”或“物體檢測(cè)”，通常已經(jīng)過于抽象，無法推導(dǎo)出數(shù)據(jù)采集和視覺應(yīng)用程序配置的進(jìn)一步必要操作步驟。

5

以“拼圖”代替編程

如果您想要?jiǎng)?chuàng)建更為復(fù)雜的流程，不一定需要使用C++或其他基于文本的編程語言。如果函數(shù)庫被封裝成視覺功能塊，并添加了可視化編輯器，那么該過程就可以像拼圖的碎片一樣組合起來，而不必?fù)?dān)心單個(gè)編程語言的確切命令。為此目的，Google專門創(chuàng)建了Blockly項(xiàng)目。虹科的NXT相機(jī)使用Blockly并調(diào)整其自身的功能，以便能夠以任意復(fù)雜的序列，將相機(jī)的推理任務(wù)合并到構(gòu)建工具集中。

6

人工智能結(jié)果的可解釋性

盡管看到AI具有眾所周知的優(yōu)勢(shì),并且使用了高精確度的ANN，但在發(fā)生故障時(shí)，做出診斷往往比較困難。問題的另一面是，缺乏對(duì)AI工作方式的了解或無法解釋的結(jié)果會(huì)抑制算法的傳播。通常情況下，ANN經(jīng)常被錯(cuò)誤地認(rèn)為是一個(gè)黑盒，會(huì)做出不可理解的決策。“雖然深度學(xué)習(xí)模型無疑是復(fù)雜的，但它們并非黑盒。事實(shí)上，稱它們?yōu)椴ＡШ袝?huì)更為準(zhǔn)確，因?yàn)槲覀兛梢钥辞宄凶觾?nèi)部，看到每個(gè)組件的工作狀態(tài)。”[摘自“機(jī)器學(xué)習(xí)中的黑盒隱喻”]。神經(jīng)網(wǎng)絡(luò)的推理決策不是基于經(jīng)典邏輯規(guī)則，人類可能不容易理解其人工神經(jīng)元的復(fù)雜交互作用。但它們?nèi)允菙?shù)學(xué)系統(tǒng)的結(jié)果，因此具有可復(fù)制性和可分析性。我們只是缺少合適的工具支持。恰恰是在AI領(lǐng)域，我們?nèi)杂泻艽蟮奶嵘臻g。也正是在此領(lǐng)域，市面上各種AI系統(tǒng)能給用戶多大程度的支持會(huì)變得顯而易見。

7

適用于工業(yè)用途的完整工具包

毫無疑問，人工智能的應(yīng)用潛力是巨大的。帶AI加速器的推理相機(jī)充分地證明了它的高效性，這表明我們已經(jīng)能夠提供合適的硬件。但僅提供硬件還不足以讓全行業(yè)都開始使用人工智能。制造商面臨的挑戰(zhàn)是通過以易用軟件和一體化流程的形式，分享他們的專業(yè)知識(shí)來支持用戶。與經(jīng)過多年發(fā)展成熟并通過大量文檔、知識(shí)轉(zhuǎn)讓和多種軟件工具建立了忠實(shí)客戶群的最佳做法相比，人工智能仍有許多進(jìn)步空間，但該技術(shù)已經(jīng)在不斷改進(jìn)。為了進(jìn)一步提高人們對(duì)AI的接受度和理解度，各項(xiàng)AI標(biāo)準(zhǔn)與認(rèn)證正在制定中，旨在對(duì)人工智能進(jìn)行廣泛應(yīng)用。最終的目的是讓每個(gè)人都熟悉這項(xiàng)新技術(shù)，以免錯(cuò)過最佳時(shí)機(jī)。借助我們的NXTocean平臺(tái)，嵌入式AI系統(tǒng)已經(jīng)可以作為工業(yè)工具，快速而方便地操作，并通過許多易用的軟件工具讓用戶群受益——即使這些用戶群對(duì)機(jī)器學(xué)習(xí)、圖像處理或應(yīng)用編程沒有深入的了解。