如何集成基于AI的視覺(jué)檢查系統(tǒng)
1.陳述問(wèn)題
外觀檢查的開(kāi)發(fā)通常從業(yè)務(wù)和技術(shù)分析開(kāi)始。此處的目標(biāo)是確定系統(tǒng)應(yīng)檢測(cè)的缺陷類(lèi)型。
其他要問(wèn)的重要問(wèn)題包括：
什么是視覺(jué)檢查系統(tǒng)環(huán)境？
應(yīng)實(shí)時(shí)檢查還是推遲檢查？
外觀檢查系統(tǒng)應(yīng)多全面地檢測(cè)缺陷，并應(yīng)按類(lèi)型區(qū)分缺陷？
是否有集成了視覺(jué)檢查功能的現(xiàn)有軟件，還是需要從頭開(kāi)始開(kāi)發(fā)？
系統(tǒng)應(yīng)如何將檢測(cè)到的缺陷通知用戶(hù)？
外觀檢查系統(tǒng)是否應(yīng)記錄缺陷檢測(cè)統(tǒng)計(jì)信息？
關(guān)鍵問(wèn)題是：是否存在用于深度學(xué)習(xí)模型開(kāi)發(fā)的數(shù)據(jù)，包括“好”和“壞”產(chǎn)品的圖像以及不同類(lèi)型的缺陷？
數(shù)據(jù)科學(xué)工程師根據(jù)收到的答案選擇最佳的技術(shù)解決方案和流程。
2.收集和準(zhǔn)備數(shù)據(jù)
在開(kāi)始深度學(xué)習(xí)模型開(kāi)發(fā)之前，數(shù)據(jù)科學(xué)工程師必須收集并準(zhǔn)備訓(xùn)練未來(lái)模型所需的數(shù)據(jù)。對(duì)于制造流程，實(shí)施物聯(lián)網(wǎng)數(shù)據(jù)分析很重要。在談?wù)撘曈X(jué)檢查模型時(shí)，數(shù)據(jù)通常是視頻記錄，其中由視覺(jué)檢查模型處理的圖像包括視頻幀。有幾種數(shù)據(jù)收集選項(xiàng)，但最常見(jiàn)的是：
取得客戶(hù)提供的現(xiàn)有視頻記錄
取得適用于定義目的的開(kāi)源視頻記錄
根據(jù)深度學(xué)習(xí)模型的要求從頭開(kāi)始收集數(shù)據(jù)
此處最重要的參數(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(zhǔn)確的結(jié)果。
收集數(shù)據(jù)后，便準(zhǔn)備好進(jìn)行建模，清理，檢查異常情況并確保其相關(guān)性。
在我們的需求預(yù)測(cè)文章中閱讀有關(guān)數(shù)據(jù)準(zhǔn)備技術(shù)的更多信息
3.開(kāi)發(fā)深度學(xué)習(xí)模型
深度學(xué)習(xí)模型開(kāi)發(fā)方法的選擇取決于任務(wù)的復(fù)雜性，所需的交付時(shí)間和預(yù)算限制。有幾種方法：
3.1使用深度學(xué)習(xí)模型開(kāi)發(fā)服務(wù)（例如：Google Cloud ML Engine，Amazon ML等）
當(dāng)缺陷檢測(cè)功能的要求與給定服務(wù)提供的模板一致時(shí)，這種方法才有意義。這些服務(wù)可以節(jié)省時(shí)間和預(yù)算，因?yàn)椴恍枰獜念^開(kāi)始開(kāi)發(fā)模型。您只需要上傳數(shù)據(jù)并根據(jù)相關(guān)任務(wù)設(shè)置模型選項(xiàng)即可。
有什么收獲？這些類(lèi)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(xiàng)。
3.2使用預(yù)先訓(xùn)練的模型
預(yù)先訓(xùn)練的模型是已經(jīng)創(chuàng)建的深度學(xué)習(xí)模型，可以完成與我們要執(zhí)行的任務(wù)相似的任務(wù)。我們不必從頭開(kāi)始構(gòu)建模型，因?yàn)樗褂昧嘶谖覀償?shù)據(jù)的經(jīng)過(guò)訓(xùn)練的模型。
預(yù)先訓(xùn)練的模型可能無(wú)法100％滿(mǎn)足我們的所有任務(wù)，但可以節(jié)省大量時(shí)間和成本。使用以前在大型數(shù)據(jù)集上受過(guò)訓(xùn)練的模型，我們可以根據(jù)自己的問(wèn)題定制這些解決方案。
3.3從頭開(kāi)始進(jìn)行深度學(xué)習(xí)模型開(kāi)發(fā)
該方法是復(fù)雜且安全的視覺(jué)檢查系統(tǒng)的理想選擇。該方法可能會(huì)耗費(fèi)大量時(shí)間和精力，但值得這樣做。
在開(kāi)發(fā)自定義視覺(jué)檢查模型時(shí)，數(shù)據(jù)科學(xué)家使用一種或幾種計(jì)算機(jī)視覺(jué)算法。這些包括圖像分類(lèi)，對(duì)象檢測(cè)和實(shí)例分割。
許多因素影響深度學(xué)習(xí)算法的選擇。這些包括：
假設(shè)我們正在開(kāi)發(fā)一種視覺(jué)檢查模型，用于建筑物的質(zhì)量評(píng)估。主要重點(diǎn)是檢測(cè)墻壁上的缺陷。要獲得準(zhǔn)確的視覺(jué)檢查結(jié)果，必須有一個(gè)廣泛的數(shù)據(jù)集，因?yàn)槿毕蓊?lèi)別可能非常多樣化，從油漆剝落，鑄模到墻體裂縫。此處的最佳方法是從頭開(kāi)始開(kāi)發(fā)基于實(shí)例細(xì)分的模型。在某些情況下，預(yù)訓(xùn)練模型方法也是可行的。
另一個(gè)示例是制藥業(yè)的外觀檢查，您希望在其中將氣泡與產(chǎn)品中的顆粒區(qū)別開(kāi)來(lái)，例如高粘度的母液。氣泡的存在是這里唯一的缺陷類(lèi)別，因此所需的數(shù)據(jù)集不會(huì)像上面的示例那樣廣泛。最佳的深度學(xué)習(xí)模型開(kāi)發(fā)方法可能是使用模型開(kāi)發(fā)服務(wù)，而不是從頭開(kāi)始開(kāi)發(fā)模型服務(wù)。
4.培訓(xùn)與評(píng)估
開(kāi)發(fā)視覺(jué)檢查模型之后的下一步是對(duì)其進(jìn)行培訓(xùn)。在此階段，數(shù)據(jù)科學(xué)家會(huì)驗(yàn)證和評(píng)估模型的性能以及結(jié)果的準(zhǔn)確性。測(cè)試數(shù)據(jù)集在這里很有用。對(duì)于視覺(jué)檢查系統(tǒng)，它可能是一組已過(guò)時(shí)或與我們要在部署后處理的視頻記錄相似的視頻記錄。
5.部署和改善
部署外觀檢查模型時(shí)，重要的是要考慮軟件和硬件系統(tǒng)架構(gòu)如何與模型容量相對(duì)應(yīng)。
軟件
視覺(jué)檢查驅(qū)動(dòng)軟件的結(jié)構(gòu)本身基于用于數(shù)據(jù)傳輸?shù)?/span>Web解決方案和用于神經(jīng)網(wǎng)絡(luò)處理的Python框架的組合。
此處的關(guān)鍵參數(shù)是數(shù)據(jù)存儲(chǔ)。共有三種存儲(chǔ)數(shù)據(jù)的方式：本地服務(wù)器，云流服務(wù)或無(wú)服務(wù)器架構(gòu)。
視覺(jué)檢查系統(tǒng)涉及視頻記錄的存儲(chǔ)。數(shù)據(jù)存儲(chǔ)解決方案的選擇通常取決于深度學(xué)習(xí)模型的功能。例如，如果視覺(jué)檢查系統(tǒng)使用大型數(shù)據(jù)集，則最佳選擇可能是云流服務(wù)。
硬件
根據(jù)行業(yè)和自動(dòng)化過(guò)程的不同，集成視覺(jué)檢查系統(tǒng)所需的設(shè)備可能包括：
l 相機(jī)。關(guān)鍵攝像機(jī)選項(xiàng)是實(shí)時(shí)視頻流。一些示例包括IP和CCTV。
l 網(wǎng)關(guān)。專(zhuān)用的硬件設(shè)備和軟件程序都可以很好地用于視覺(jué)檢查系統(tǒng)。
l CPU / GPU。如果需要實(shí)時(shí)結(jié)果，GPU將是比CPU更好的選擇，因?yàn)榍罢咴诨趫D像的深度學(xué)習(xí)模型方面擁有更快的處理速度?？梢?xún)?yōu)化CPU以運(yùn)行視覺(jué)檢查模型，但不能進(jìn)行培訓(xùn)。最佳GPU的示例可能是Jetson Nano。
l 光度計(jì)（可選）。根據(jù)目視檢查系統(tǒng)環(huán)境的照明條件，可能需要光度計(jì)。
l 比色計(jì)（可選）。當(dāng)檢測(cè)光源中的顏色和亮度時(shí)，成像色度計(jì)始終具有很高的空間分辨率，可以進(jìn)行詳細(xì)的目視檢查。部署后，深度學(xué)習(xí)模型可以改進(jìn)。深度學(xué)習(xí)方法可以通過(guò)迭代收集新數(shù)據(jù)和模型重新訓(xùn)練來(lái)提高神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確性。結(jié)果是通過(guò)在操作過(guò)程中增加數(shù)據(jù)量來(lái)學(xué)習(xí)的“更智能”的視覺(jué)檢查模型。
