深度学习已经彻底改变了制造业的质量控制,但还不够深入

Photo-illustration: Neurala

来源:IEEE电气电子工程师

这是一篇客座文章。这里所表达的观点只是作者的观点,并不代表IEEE Spectrum或IEEE的立场。

在2020年,我们看到了深度学习的加速利用,这是所谓的工业4.0革命的一部分,数字化正在重塑制造业。这一波最新举措的特点是引入了智能和自主系统,以数据和深度学习为动力,这是一种强大的人工智能(AI),可以改善工厂的质量检查。

那么好处是什么呢?通过在生产线上的软件中添加智能摄像头,制造商们看到了在高速和低成本下质量检测的改进,而这是人类检查员无法比拟的。考虑到COVID-19对人力劳动的强制性限制,比如工厂车间的社交距离问题,这些好处对于保持生产线的运转更为关键。

虽然制造商使用机器视觉已经有几十年了,但是深度学习的质量控制软件代表了一个新的前沿发展方向。那么,这些方法与传统的机器视觉系统有何不同呢?当你按下这些人工智能质量控制系统的“运行”按钮时会发生什么?

  • 制造业引入深度学习前后

    Before and After the Introduction of Deep Learning in Manufacturing

为了理解在运行质量控制的深度学习软件包中会发生什么,让我们看看前面的标准。传统的机器视觉质量控制方法依赖于一个简单但功能强大的两步过程:

第一步:专家决定每台摄像机采集的图像中的哪些特征(如边、曲线、角点、色块等)对于给定的问题是重要的。

第二步:专家创建一个手动调整的基于规则的系统,有几个分支点,例如,在包装线上,通过多少“黄色(yellow)”和“曲率(curvature)”,能够将一个对象归类为“成熟的香蕉(ripe banana)”。然后这个系统会自动决定产品是否是它应该的样子。

该方法简单有效。但多年来,制造商对质量控制的需求迅速发展,将需求推到了下一个层次。但是,没有足够的人类专家来支持制造商对自动化日益增长的需求。虽然传统的机器视觉在某些情况下工作得很好,但在很难检测出好坏产品之间的差异的情况下,它往往是无效的。以瓶盖为例,根据饮料的不同,瓶盖有很多变化,如果一个瓶盖有一点点缺陷,你就有可能在生产过程中使整个饮料溢出。

用于质量检查的新型深度学习驱动软件基于一个关键特性:从数据中学习。与他们的旧机器视觉版本不同,这些模型自己学习哪些功能是重要的,而不是依赖专家的规则。在学习的过程中,他们创建了自己的隐式规则,这些规则决定了定义高质量产品的特性组合。不需要人类专家,而负担就转移到机器本身了!用户只需收集数据并使用它来训练深度学习模型即可,而无需为每个生产场景手动配置机器视觉模型。

  • 使用传统的深度学习模型进行质量控制

    Using a Conventional Deep Learning Model for Quality Control

数据是深度学习有效性的关键。像深度神经网络(deep neural networks,DNNs)这样的系统是以有监督的方式训练来识别特定类别的事物。在一个典型的检查任务中,DNN可能会被训练成视觉上识别一定数量的类别,比如通风阀的好坏图片。假设它得到了大量高质量的数据,DNN将得出精确、低误差、有信心的分类。

让我们看一个识别好的和坏的通风阀的例子。只要阀门保持不变,所有制造商所要做的就是点击“运行”按钮,生产线的检查就可以开始了。但是,如果生产线切换到一种新型阀门,则必须重新进行数据收集、培训和部署。

为了使传统的深度学习成功,用于训练的数据必须是“平衡的”。一个平衡的数据集包含有缺陷阀门的图像和包含各种可能的缺陷类型的图像一样多。收集良好阀门的图像很容易,但现代制造业的缺陷率非常低。这种情况使得收集有缺陷的图像非常耗时,特别是当您需要收集每种类型缺陷的数百个图像时。某些时候,事情会变得更加复杂 -- 在系统被训练和部署之后,一种新的缺陷完全有可能再出现,这将要求系统被关闭、重新培训和重新部署。由于大流行病带来的消费者对产品的需求急剧波动,制造商有可能因停产而受损。

  • 另一种“运行”按钮

    A Different Kind of “RUN” Button

对于我们前面描述的质量控制的传统机器视觉过程,可能还有一个教训可以借鉴。它的两步过程有一个优势:产品特性的变化比规则慢得多。由于通风阀的特性在不同的生产类型中持续存在,这种设置很好地符合制造的实际情况,但是必须随着每一个新缺陷的产生而重新引入新的规则。

传统上,每次必须包含新规则时,都必须重新训练深度学习模型。为了进行再训练,新的缺陷必须用与之前所有缺陷相同数量的图像来表示。所有的图像必须放在一个数据库中重新训练系统,这样它就可以学习所有旧规则和新规则。

为了解决这一难题,另一类DNNs引起了研究人员的关注。这些新的DNNs以一种更加灵活的方式学习规则,以至于可以在不停止操作系统并将其从地板上取下的情况下学习新规则。

这些所谓的持续或终身学习系统,特别是终身深层神经网络(lifelong deep neural networks,L-DNN)的灵感来自大脑神经生理学。这些深度学习算法将特征训练和规则训练分开,能够动态地添加新的规则信息。

虽然L-DDN仍在使用大量且平衡的数据集缓慢地学习特性,但L-DDN在这一阶段并没有学习规则。而且他们不需要所有已知阀门缺陷的图像,只要对象具有相似的特征(如曲线、边、表面特性),数据集就可以相对通用。使用L-DNNs,这部分模型创建可以一次性完成,而无需制造商的帮助。

我们假设的阀门制造商需要知道的是:在特征学习的第一步完成后,他们只需要提供一小组良好阀门的图像,系统就可以学习一组定义好阀门的规则。没有必要再提供任何缺陷阀门的图像了。L-DNNs将学习仅使用“良好”数据(换句话说,关于良好通风阀的数据)的小型数据集的单一呈现,然后在遇到非典型产品时通知用户。这种方法类似于人类用来发现他们每天遇到的对象差异的过程,这对我们来说是一项不费吹灰之力的任务,但在L-DNN系统出现之前,对于深度学习模型来说,这是一项非常困难的任务。

L-DNNs不需要数千种不同的图像,而只需要少数图像来训练和建立对对象的原型理解。该系统可以在几秒钟内部署,并且在部署了L-DNN并按下了“运行”按钮后,还可以收集到少数图像,只要操作员确保这些图像中没有一个实际显示有缺陷的产品。还可以实时更改定义原型对象的规则,以跟上生产线中的任何更改。

在当今的制造环境中,机器能够以每分钟超过60件产品的速度生产极为多变的产品。新产品不断推出,以前看不见的缺陷也会出现在生产线上。传统的机器视觉无法解决这一问题 -- 每种产品都有太多的特殊特征和阈值。

当按下由L-DNN系统驱动的质量控制软件上的“运行”按钮时,机器操作员可以降低优化质量检验的成本和时间,给制造业一个跟上创新步伐的战斗机会。今天,像IMA集团和Antares Vision这样的全球制造商已经开始实施这样的技术来帮助质量控制,我预计我们将看到许多其他制造商会开始效仿,以便在全球舞台上保持竞争力。

作者简介:Anatoli Gorchet是视觉人工智能公司Neurala的首席技术官和联合创始人。他拥有20多年开发大规模并行神经计算软件的经验,是将图形处理单元上的通用计算应用于神经建模的先驱。Anatoli拥有多项专利,撰写了30多篇关于神经网络的出版物,并就如何使用人工智能提高运营效率向《财富》500强企业提供建议。

未来智能实验室的主要工作包括:建立AI智能系统智商评测体系,开展世界人工智能智商评测;开展互联网(城市)云脑研究计划,构建互联网(城市)云脑技术和企业图谱,为提升企业,行业与城市的智能水平服务。

  如果您对实验室的研究感兴趣,欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/486039.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

HTML--标签

基本 <html>…</html> 定义 HTML 文档 <head>…</head> 文档的信息 <meta> HTML 文档的元信息 <title>…</title> 文档的标题 <link> 文档与外部资源的关系 <…

Pycharm简单配置及详细快捷键介绍

Pycharm的配置 修改主题&#xff1a; File-》Setting&#xff1a; Appearance&Behavior->UI Options->Theme: 显示行号&#xff1a; Editor-General-Appearance 选择show line numbers显示行号&#xff1a; 修改字体大小&#xff1a; Editor-Colors&Font-Font&am…

linux 查看vnc端口_VNC常用操作及常见问题解决办法汇总

VNC登录用户缺省是root,但在安装oracle时必须用oracle用户的身份登录,下面我们就以oracle为例说明如何配置VNC,从而可以使用不同的用户登录到主机。 步骤描述如下: 步骤一:修改/etc/sysconfig/vncservers,添加oracle用户,修改后内容如下: VNCSERVERS="1:root 2:ro…

html5+游戏+广告,给html5 游戏添加admob广告挣钱盈利

给html5游戏添加admob广告挣钱盈利经过几年的发展&#xff0c;html5逐渐发展起来&#xff0c;特别是今年以来已经有不少html5游戏作品面世&#xff0c;作为开发者&#xff0c;如何通过html5游戏挣钱还是个问题。这里就先介绍下通过给html5游戏或者html5应用添加广告挣取收入的方…

“重”磅!人造物质量首超全球生物量

图片来源&#xff1a;HUSEYINTUNCER/ ISTOCK来源&#xff1a;科学技术哲学作者&#xff1a;辛雨12月10日&#xff0c;《自然》发表的最新研究显示&#xff0c;建筑、道路、汽车等人造物体的质量现已超过地球上的生物总量&#xff0c;而每周的新增物量相当于地球上近80亿人口的总…

06-图1 列出连通集

06-图1 列出连通集&#xff08;25 分&#xff09;给定一个有N个顶点和E条边的无向图&#xff0c;请用DFS和BFS分别列出其所有的连通集。假设顶点从0到N−1编号。进行搜索时&#xff0c;假设我们总是从编号最小的顶点出发&#xff0c;按编号递增的顺序访问邻接点。输入格式:输入…

c# 带返回值的action_C#委托的介绍(delegate、Action、Func、predicate)

委托是一个类&#xff0c;它定义了方法的类型&#xff0c;使得可以将方法当作另一个方法的参数来进行传递。事件是一种特殊的委托。1.委托的声明(1). delegatedelegate我们常用到的一种声明Delegate至少0个参数&#xff0c;至多32个参数&#xff0c;可以无返回值&#xff0c;也…

html固定表的属性是什么,css如何固定表头

css如何固定表头实现头部导航栏固定用到的属性是&#xff1a;position:sticky 。粘性定位元素(stickily positioned element)是计算后位置属性为 sticky 的元素。盒位置根据正常流计算(这称为正常流动中的位置)&#xff0c;然后相对于该元素在流中的 flow root(BFC)和 containi…

HTML--注册页面案例

<!DOCTYPE html> <html> <head> <meta charset"utf-8"> <title></title> </head> <body> <!--表里标签&#xff1a;action:提交的地址 method&#xff1a; get…

如何给网页标题添加icon小图标

今天给大家分享的是如何在网页标题中加入小图标&#xff0c;就像CSDN前面那个红色的C一样。主要介绍两种方法&#xff1a;1.在html文件的head部分添加下面代码&#xff08;注意href的路径&#xff09;。<link rel"icon" type"image/x-icon" href"i…

科技界内卷化如何破

本文转载自李侠科学网博客撰文 | 李侠&#xff08;上海交通大学科学史与科学文化研究院教授&#xff09;众所周知&#xff0c;2020年内卷化成为一个年度热词&#xff0c;它本是美国文化人类学家吉尔茨&#xff08;Clifford Geertz&#xff0c;1926-2006&#xff09;提出的一个概…

android 内存不足 io,[转]分析ANR或者系统内存崩溃的问题

一&#xff1a;什么是ANRANR:Application Not Responding&#xff0c;即应用无响应二&#xff1a;ANR的类型ANR一般有三种类型&#xff1a;1&#xff1a;KeyDispatchTimeout(5 seconds) --主要类型按键或触摸事件在特定时间内无响应2&#xff1a;BroadcastTimeout(10 seconds)B…

golang map 锁_golang 并发安全Map以及分段锁的实现

涉及概念并发安全Map分段锁sync.MapCAS ( Compare And Swap )双检查分断锁type SimpleCache struct {mu sync.RWMutexitems map[interface{}]*simpleItem}在日常开发中&#xff0c; 上述这种数据结构肯定不少见&#xff0c;因为golang的原生map是非并发安全的&#xff0c;所以为…

动态规划--Leetcode63.不同路径二

一个机器人位于一个 m x n 网格的左上角 &#xff08;起始点在下图中标记为“Start” &#xff09;。 机器人每次只能向下或者向右移动一步。机器人试图达到网格的右下角&#xff08;在下图中标记为“Finish”&#xff09;。 现在考虑网格中有障碍物。那么从左上角到右下角将…

IEEE:2021年的机遇、挑战以及关键的科技趋势

来源&#xff1a;笑看国际风云【导读】近日&#xff0c;一直致力于通过推动科技进步以造福全人类、全球最大的专业技术组织IEEE&#xff08;电气电子工程师学会&#xff09;&#xff0c;发布了《IEEE全球CIO、CTO访问调研&#xff1a;2021年的机遇和挑战&#xff0c;以及关键的…

MRTG在Windows平台的安装及使用

MRTG (Multi Router Traffic Grapher)是一款监控网络流量负载的免费软件&#xff0c;目前利用MRTG已经开发出了各式各样的统计系统&#xff1a; 1&#xff0e;系统资源负载统计&#xff0c;例如&#xff1a;磁盘空间、CPU负载、内存用量等等 2&#xff0e;Server流量统计&#…

计算机教室应用计划,计算机教室新学期工作计划

无论是单位还是个人&#xff0c;有了工作计划&#xff0c;工作就有了明确的目标和具体的步骤&#xff0c;就可以协调大家的行动&#xff0c;增强工作的主动性&#xff0c;使工作有条不紊地进行。下面是小编整理的计算机教室新学期工作计划&#xff0c;欢迎大家参考!计算机教室新…

语音识别中强制对齐_一种在线语音文本对齐系统及方法

专利名称&#xff1a;一种在线语音文本对齐系统及方法技术领域&#xff1a;本发明涉及电视字幕显示领域&#xff0c;特别涉及一种在线语音文本对齐系统及方法。背景技术&#xff1a;一个国家电视字幕节目的比例&#xff0c;反应了一个国家的人文水平&#xff0c;反应了社会对残…

动态规划--Leetcode121.买卖股票的最佳时机

给定一个数组&#xff0c;它的第 i 个元素是一支给定股票第 i 天的价格。 如果你最多只允许完成一笔交易&#xff08;即买入和卖出一支股票&#xff09;&#xff0c;设计一个算法来计算你所能获取的最大利润。 注意你不能在买入股票前卖出股票。 示例 1: 输入: [7,1,5,3,6,…

Gradle 下载不了

可自行下载对应的 gradle-x.x-all.zip 放在下列目录 C:\Users\penno\.gradle\wrapper\dists\gradle-4.4-all\9br9xq1tocpiv8o6njlyu5op1 转载于:https://www.cnblogs.com/ouuy/p/9057358.html