• 公司动态
  • 行业动态
  • AI将如何彻底改变,而不是取代机器视觉

    作者:admin  时间:2019-08-27 09:48  人气:

    在短短10年间,人工智能(AI)已经从实验室好奇心发展成为日常生活中越来越普遍的 - 如果不是总是可见的 - 部分。虽然我们中的许多人可能无法识别人工智能系统为我们与智能手机,语音助理,电子商务网站或流媒体服务的日常互动提供动力,但这些系统当然能够识别我们,他们可以更准确地预测我们的偏好。
     

    然而,尽管看起来很怪异,但许多人工智能系统只是简单地将我们的选择与类似选项的结构化数据库进行比较。例如,Netflix AI可以通过交叉引用类似标记的电影来获得我们对黑色电影的偏好。但是如果没有这些标签,它将需要深度学习算法和相关图像库来区分黑色电影场景和Esther Williams游泳序列。 

    通常被定义为机器学习的子集(其本身是AI的子集),深度学习采用神经网络和算法,使得机器能够在不被明确编程以执行特定任务的情况下学习。除了图像之外,此类数据还可能包括音频文件,业务文档或天气模型。 

    在消费领域,大多数深度学习图像的应用涉及识别和分类,它们包括轻薄的智能手机应用程序(例如,非热狗),以及使Facebook能够自动识别沙发上的毛皮块图像的强大系统。用于以后搜索,引用以及可能有针对性的广告展示位置的猫。

    深度学习也为Google的Vision AI API提供支持,该API利用该公司的大约10,000个可视识别对象的本地目录,在万维网上执行相当于反向图像搜索的功能。除了列出用于在给定图像出现的任何地方标题的现有主题之外,Google的深度学习平台还可以生成新的图像标签,例如,在每日新闻上展开随机事件。

    人工智能革命开始在这里
    尽管大多数消费者对深度学习的黑盒内部不感兴趣,只要它有效,谷歌的Vision AI API所展示的功能对机器视觉行业有着明显的影响,机器视觉行业依赖数十年的固定基于规则的方法和图像数据的通过/失败解释。 

    在基于规则的编程擅长测量和对齐的情况下,深度学习工具可以对图像数据进行分类,以执行复杂的装饰检查,区分不同的材料,验证装配,并且通常适应非结构​​化图像数据。这并不是说深度学习有一天会取代传统的机器视觉,而是扩展其能力。

    “在使用基于规则的方法时,深度学习是一种简单而强大的应用程序,这种应用程序很容易被人眼检测到,但很难用,”MVTec Software GmbH的HALCON图书馆产品负责人ThomasHünerfauth说。

    例如,深度学习解决方案可以帮助视觉系统将杂草与图像中的作物区分开来,以帮助农民识别并适当地扩展对策。事实上,Hünerfauth指出,几乎所有涉及天然材料检测的食品行业应用都可以从深度学习工具中受益。“用于测量或斑点分析的基于规则的方法发现这非常困难,但这些挑战可以通过深度学习很容易解决,”他说。

    作为机器学习的一个子集,深度学习技术不仅仅解释图像数据,还有助于扩展它以使图像处理系统变得更加精确。与依赖开发人员定义和验证目标特征的传统机器视觉解决方案不同,深度学习软件利用神经网络,像人类智能一样,可以训练它来区分图像中的特征但容忍变化。当系统捕获新图像时,软件识别对象和异常并将新图像数据分配给适当的类。
    “如果你想训练一个神经网络,你只需要100张图像,但你需要1000张图像,你可以人工生成这些图像,”Teledyne DALSA软件总监Bruno Menard说。“这是一种数据增强形式,”他补充道。

    提升盖子
    深度学习并非没有挑战。编译图像库和训练神经网络可能与为机器视觉系统编程应用程序(例如对象检测或分割)一样费力。作为回应,MVTec和Cognex等视觉提供商正在开发更简单的界面和预训练阅读工具,以帮助简化部署深度学习工具所需的图像库。


    另一个挑战是机器视觉工程师和最终用户通常不太容易忽视黑匣子内部的东西而不是消费者。“如果你训练系统并取得好成绩,那就没关系,一切都很好,”Hünerfauth说。“但如果结果出错,很难解释原因,而且在某些行业,这很难接受。因此,我们必须从黑匣子中制作一个灰色框,以便向这些客户提供更好的反馈,并尝试解释内部发生的事情。“

    谷歌的研究也可以提供见解。该公司最近与OpenAI合作,探索人工智能在通过机器视觉系统观察世界时的看法 - 或者更确切地说是什么。利用他们所谓的“激活图册”,合作者正在映射各个算法如何一起激活,以将抽象的形状,颜色和图案转换为可识别的图像。通过有效地从视觉数据算法得出结论的黑盒子上取下盖子,该研究旨在支持更强大的算法的开发。这样的见解可以证明在深度学习的机器视觉应用中是有益的,这为验证图像提供了更高的标准。

    互补技术
    深度学习的所有功能和适应性将彻底改变机器视觉,而不是取代它。它们是互补技术。机器视觉能够识别图像数据中的几何图案和边缘仍然是实现高精度测量的亚像素精度的最佳方式。深度学习有望通过引入人类的判断和学习图像数据的能力来扩展学科的能力。但深度学习仍然受益于人类培训师 - 尤其是传统机器视觉技术方面的知识。经验丰富的工程师可能经常发现他们的应用专业知识对于优化深度学习的学习能力很有价值。

    公司地址:苏州工业园区若水路388号D103室

    联系电话:0512-62512433

    邮箱:admin@oi-smart.com

    官网:www.oi-smart.com

    Copyright © 2018 光图智能 版权所有 苏ICP备17010605号-1