這是一篇客座文章。這里所表達(dá)的觀點(diǎn)只是作者的觀點(diǎn)，并不代表IEEE Spectrum或IEEE的立場(chǎng)。

在2020年，我們看到了深度學(xué)習(xí)的加速利用，這是所謂的工業(yè)4.0革命的一部分，數(shù)字化正在重塑制造業(yè)。這一波最新舉措的特點(diǎn)是引入了智能和自主系統(tǒng)，以數(shù)據(jù)和深度學(xué)習(xí)為動(dòng)力，這是一種強(qiáng)大的人工智能（AI），可以改善工廠的質(zhì)量檢查。

那么好處是什么呢？通過(guò)在生產(chǎn)線上的軟件中添加智能攝像頭，制造商們看到了在高速和低成本下質(zhì)量檢測(cè)的改進(jìn)，而這是人類(lèi)檢查員無(wú)法比擬的。考慮到COVID-19對(duì)人力勞動(dòng)的強(qiáng)制性限制，比如工廠車(chē)間的社交距離問(wèn)題，這些好處對(duì)于保持生產(chǎn)線的運(yùn)轉(zhuǎn)更為關(guān)鍵。

雖然制造商使用機(jī)器視覺(jué)已經(jīng)有幾十年了，但是深度學(xué)習(xí)的質(zhì)量控制軟件代表了一個(gè)新的前沿發(fā)展方向。那么，這些方法與傳統(tǒng)的機(jī)器視覺(jué)系統(tǒng)有何不同呢？當(dāng)你按下這些人工智能質(zhì)量控制系統(tǒng)的“運(yùn)行”按鈕時(shí)會(huì)發(fā)生什么？

制造業(yè)引入深度學(xué)習(xí)前后

為了理解在運(yùn)行質(zhì)量控制的深度學(xué)習(xí)軟件包中會(huì)發(fā)生什么，讓我們看看前面的標(biāo)準(zhǔn)。傳統(tǒng)的機(jī)器視覺(jué)質(zhì)量控制方法依賴(lài)于一個(gè)簡(jiǎn)單但功能強(qiáng)大的兩步過(guò)程：

第一步：專(zhuān)家決定每臺(tái)攝像機(jī)采集的圖像中的哪些特征（如邊、曲線、角點(diǎn)、色塊等）對(duì)于給定的問(wèn)題是重要的。

第二步：專(zhuān)家創(chuàng)建一個(gè)手動(dòng)調(diào)整的基于規(guī)則的系統(tǒng)，有幾個(gè)分支點(diǎn)，例如，在包裝線上，通過(guò)多少“黃色（yellow）”和“曲率（curvature）”，能夠?qū)⒁粋€(gè)對(duì)象歸類(lèi)為“成熟的香蕉（ripe banana）”。然后這個(gè)系統(tǒng)會(huì)自動(dòng)決定產(chǎn)品是否是它應(yīng)該的樣子。

該方法簡(jiǎn)單有效。但多年來(lái)，制造商對(duì)質(zhì)量控制的需求迅速發(fā)展，將需求推到了下一個(gè)層次。但是，沒(méi)有足夠的人類(lèi)專(zhuān)家來(lái)支持制造商對(duì)自動(dòng)化日益增長(zhǎng)的需求。雖然傳統(tǒng)的機(jī)器視覺(jué)在某些情況下工作得很好，但在很難檢測(cè)出好壞產(chǎn)品之間的差異的情況下，它往往是無(wú)效的。以瓶蓋為例，根據(jù)飲料的不同，瓶蓋有很多變化，如果一個(gè)瓶蓋有一點(diǎn)點(diǎn)缺陷，你就有可能在生產(chǎn)過(guò)程中使整個(gè)飲料溢出。

用于質(zhì)量檢查的新型深度學(xué)習(xí)驅(qū)動(dòng)軟件基于一個(gè)關(guān)鍵特性：從數(shù)據(jù)中學(xué)習(xí)。與他們的舊機(jī)器視覺(jué)版本不同，這些模型自己學(xué)習(xí)哪些功能是重要的，而不是依賴(lài)專(zhuān)家的規(guī)則。在學(xué)習(xí)的過(guò)程中，他們創(chuàng)建了自己的隱式規(guī)則，這些規(guī)則決定了定義高質(zhì)量產(chǎn)品的特性組合。不需要人類(lèi)專(zhuān)家，而負(fù)擔(dān)就轉(zhuǎn)移到機(jī)器本身了！用戶(hù)只需收集數(shù)據(jù)并使用它來(lái)訓(xùn)練深度學(xué)習(xí)模型即可，而無(wú)需為每個(gè)生產(chǎn)場(chǎng)景手動(dòng)配置機(jī)器視覺(jué)模型。

使用傳統(tǒng)的深度學(xué)習(xí)模型進(jìn)行質(zhì)量控制

數(shù)據(jù)是深度學(xué)習(xí)有效性的關(guān)鍵。像深度神經(jīng)網(wǎng)絡(luò)（deep neural networks，DNNs）這樣的系統(tǒng)是以有監(jiān)督的方式訓(xùn)練來(lái)識(shí)別特定類(lèi)別的事物。在一個(gè)典型的檢查任務(wù)中，DNN可能會(huì)被訓(xùn)練成視覺(jué)上識(shí)別一定數(shù)量的類(lèi)別，比如通風(fēng)閥的好壞圖片。假設(shè)它得到了大量高質(zhì)量的數(shù)據(jù)，DNN將得出精確、低誤差、有信心的分類(lèi)。

讓我們看一個(gè)識(shí)別好的和壞的通風(fēng)閥的例子。只要閥門(mén)保持不變，所有制造商所要做的就是點(diǎn)擊“運(yùn)行”按鈕，生產(chǎn)線的檢查就可以開(kāi)始了。但是，如果生產(chǎn)線切換到一種新型閥門(mén)，則必須重新進(jìn)行數(shù)據(jù)收集、培訓(xùn)和部署。

為了使傳統(tǒng)的深度學(xué)習(xí)成功，用于訓(xùn)練的數(shù)據(jù)必須是“平衡的”。一個(gè)平衡的數(shù)據(jù)集包含有缺陷閥門(mén)的圖像和包含各種可能的缺陷類(lèi)型的圖像一樣多。收集良好閥門(mén)的圖像很容易，但現(xiàn)代制造業(yè)的缺陷率非常低。這種情況使得收集有缺陷的圖像非常耗時(shí)，特別是當(dāng)您需要收集每種類(lèi)型缺陷的數(shù)百個(gè)圖像時(shí)。某些時(shí)候，事情會(huì)變得更加復(fù)雜 -- 在系統(tǒng)被訓(xùn)練和部署之后，一種新的缺陷完全有可能再出現(xiàn)，這將要求系統(tǒng)被關(guān)閉、重新培訓(xùn)和重新部署。由于大流行病帶來(lái)的消費(fèi)者對(duì)產(chǎn)品的需求急劇波動(dòng)，制造商有可能因停產(chǎn)而受損。

另一種“運(yùn)行”按鈕

對(duì)于我們前面描述的質(zhì)量控制的傳統(tǒng)機(jī)器視覺(jué)過(guò)程，可能還有一個(gè)教訓(xùn)可以借鑒。它的兩步過(guò)程有一個(gè)優(yōu)勢(shì)：產(chǎn)品特性的變化比規(guī)則慢得多。由于通風(fēng)閥的特性在不同的生產(chǎn)類(lèi)型中持續(xù)存在，這種設(shè)置很好地符合制造的實(shí)際情況，但是必須隨著每一個(gè)新缺陷的產(chǎn)生而重新引入新的規(guī)則。

傳統(tǒng)上，每次必須包含新規(guī)則時(shí)，都必須重新訓(xùn)練深度學(xué)習(xí)模型。為了進(jìn)行再訓(xùn)練，新的缺陷必須用與之前所有缺陷相同數(shù)量的圖像來(lái)表示。所有的圖像必須放在一個(gè)數(shù)據(jù)庫(kù)中重新訓(xùn)練系統(tǒng)，這樣它就可以學(xué)習(xí)所有舊規(guī)則和新規(guī)則。

為了解決這一難題，另一類(lèi)DNNs引起了研究人員的關(guān)注。這些新的DNNs以一種更加靈活的方式學(xué)習(xí)規(guī)則，以至于可以在不停止操作系統(tǒng)并將其從地板上取下的情況下學(xué)習(xí)新規(guī)則。

這些所謂的持續(xù)或終身學(xué)習(xí)系統(tǒng)，特別是終身深層神經(jīng)網(wǎng)絡(luò)（lifelong deep neural networks，L-DNN）的靈感來(lái)自大腦神經(jīng)生理學(xué)。這些深度學(xué)習(xí)算法將特征訓(xùn)練和規(guī)則訓(xùn)練分開(kāi)，能夠動(dòng)態(tài)地添加新的規(guī)則信息。

雖然L-DDN仍在使用大量且平衡的數(shù)據(jù)集緩慢地學(xué)習(xí)特性，但L-DDN在這一階段并沒(méi)有學(xué)習(xí)規(guī)則。而且他們不需要所有已知閥門(mén)缺陷的圖像，只要對(duì)象具有相似的特征（如曲線、邊、表面特性），數(shù)據(jù)集就可以相對(duì)通用。使用L-DNNs，這部分模型創(chuàng)建可以一次性完成，而無(wú)需制造商的幫助。

我們假設(shè)的閥門(mén)制造商需要知道的是：在特征學(xué)習(xí)的第一步完成后，他們只需要提供一小組良好閥門(mén)的圖像，系統(tǒng)就可以學(xué)習(xí)一組定義好閥門(mén)的規(guī)則。沒(méi)有必要再提供任何缺陷閥門(mén)的圖像了。L-DNNs將學(xué)習(xí)僅使用“良好”數(shù)據(jù)（換句話說(shuō)，關(guān)于良好通風(fēng)閥的數(shù)據(jù)）的小型數(shù)據(jù)集的單一呈現(xiàn)，然后在遇到非典型產(chǎn)品時(shí)通知用戶(hù)。這種方法類(lèi)似于人類(lèi)用來(lái)發(fā)現(xiàn)他們每天遇到的對(duì)象差異的過(guò)程，這對(duì)我們來(lái)說(shuō)是一項(xiàng)不費(fèi)吹灰之力的任務(wù)，但在L-DNN系統(tǒng)出現(xiàn)之前，對(duì)于深度學(xué)習(xí)模型來(lái)說(shuō)，這是一項(xiàng)非常困難的任務(wù)。

L-DNNs不需要數(shù)千種不同的圖像，而只需要少數(shù)圖像來(lái)訓(xùn)練和建立對(duì)對(duì)象的原型理解。該系統(tǒng)可以在幾秒鐘內(nèi)部署，并且在部署了L-DNN并按下了“運(yùn)行”按鈕后，還可以收集到少數(shù)圖像，只要操作員確保這些圖像中沒(méi)有一個(gè)實(shí)際顯示有缺陷的產(chǎn)品。還可以實(shí)時(shí)更改定義原型對(duì)象的規(guī)則，以跟上生產(chǎn)線中的任何更改。

在當(dāng)今的制造環(huán)境中，機(jī)器能夠以每分鐘超過(guò)60件產(chǎn)品的速度生產(chǎn)極為多變的產(chǎn)品。新產(chǎn)品不斷推出，以前看不見(jiàn)的缺陷也會(huì)出現(xiàn)在生產(chǎn)線上。傳統(tǒng)的機(jī)器視覺(jué)無(wú)法解決這一問(wèn)題 -- 每種產(chǎn)品都有太多的特殊特征和閾值。

當(dāng)按下由L-DNN系統(tǒng)驅(qū)動(dòng)的質(zhì)量控制軟件上的“運(yùn)行”按鈕時(shí)，機(jī)器操作員可以降低優(yōu)化質(zhì)量檢驗(yàn)的成本和時(shí)間，給制造業(yè)一個(gè)跟上創(chuàng)新步伐的戰(zhàn)斗機(jī)會(huì)。今天，像IMA集團(tuán)和Antares Vision這樣的全球制造商已經(jīng)開(kāi)始實(shí)施這樣的技術(shù)來(lái)幫助質(zhì)量控制，我預(yù)計(jì)我們將看到許多其他制造商會(huì)開(kāi)始效仿，以便在全球舞臺(tái)上保持競(jìng)爭(zhēng)力。

原文標(biāo)題：深度學(xué)習(xí)已經(jīng)徹底改變了制造業(yè)的質(zhì)量控制，但還不夠深入

文章出處：【微信公眾號(hào)：IEEE電氣電子工程師學(xué)會(huì)】歡迎添加關(guān)注！文章轉(zhuǎn)載請(qǐng)注明出處。

責(zé)任編輯：haq