如何集成基于AI的視覺檢查系統(tǒng)
1.陳述問題
外觀檢查的開發(fā)通常從業(yè)務(wù)和技術(shù)分析開始。此處的目標(biāo)是確定系統(tǒng)應(yīng)檢測的缺陷類型。
其他要問的重要問題包括：
什么是視覺檢查系統(tǒng)環(huán)境？
應(yīng)實(shí)時檢查還是推遲檢查？
外觀檢查系統(tǒng)應(yīng)多全面地檢測缺陷，并應(yīng)按類型區(qū)分缺陷？
是否有集成了視覺檢查功能的現(xiàn)有軟件，還是需要從頭開始開發(fā)？
系統(tǒng)應(yīng)如何將檢測到的缺陷通知用戶？
外觀檢查系統(tǒng)是否應(yīng)記錄缺陷檢測統(tǒng)計信息？
關(guān)鍵問題是：是否存在用于深度學(xué)習(xí)模型開發(fā)的數(shù)據(jù)，包括“好”和“壞”產(chǎn)品的圖像以及不同類型的缺陷？
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)
在開始深度學(xué)習(xí)模型開發(fā)之前，數(shù)據(jù)科學(xué)工程師必須收集并準(zhǔn)備訓(xùn)練未來模型所需的數(shù)據(jù)。對于制造流程，實(shí)施物聯(lián)網(wǎng)數(shù)據(jù)分析很重要。在談?wù)撘曈X檢查模型時，數(shù)據(jù)通常是視頻記錄，其中由視覺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)，但最常見的是：
取得客戶提供的現(xiàn)有視頻記錄
取得適用于定義目的的開源視頻記錄
根據(jù)深度學(xué)習(xí)模型的要求從頭開始收集數(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.開發(fā)深度學(xué)習(xí)模型
深度學(xué)習(xí)模型開發(fā)方法的選擇取決于任務(wù)的復(fù)雜性，所需的交付時間和預(yù)算限制。有幾種方法：
3.1使用深度學(xué)習(xí)模型開發(fā)服務(wù)（例如：Google Cloud ML Engine，Amazon ML等）
當(dāng)缺陷檢測功能的要求與給定服務(wù)提供的模板一致時，這種方法才有意義。這些服務(wù)可以節(jié)省時間和預(yù)算，因?yàn)椴恍枰獜念^開始開發(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)。我們不必從頭開始構(gòu)建模型，因?yàn)樗褂昧嘶谖覀償?shù)據(jù)的經(jīng)過訓(xùn)練的模型。
預(yù)先訓(xùn)練的模型可能無法100％滿足我們的所有任務(wù)，但可以節(jié)省大量時間和成本。使用以前在大型數(shù)據(jù)集上受過訓(xùn)練的模型，我們可以根據(jù)自己的問題定制這些解決方案。
3.3從頭開始進(jìn)行深度學(xué)習(xí)模型開發(fā)
該方法是復(fù)雜且安全的視覺檢查系統(tǒng)的理想選擇。該方法可能會耗費(fèi)大量時間和精力，但值得這樣做。
在開發(fā)自定義視覺檢查模型時，數(shù)據(jù)科學(xué)家使用一種或幾種計算機(jī)視覺算法。這些包括圖像分類，對象檢測和實(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)我們正在開發(fā)一種視覺檢查模型，用于建筑物的質(zhì)量評估。主要重點(diǎn)是檢測墻壁上的缺陷。要獲得準(zhǔn)確的視覺檢查結(jié)果，必須有一個廣泛的數(shù)據(jù)集，因?yàn)槿毕蓊悇e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始開發(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)別開來，例如高粘度的母液。氣泡的存在是這里唯一的缺陷類別，因此所需的數(shù)據(jù)集不會像上面的示例那樣廣泛。最佳的深度學(xué)習(xí)模型開發(fā)方法可能是使用模型開發(fā)服務(wù)，而不是從頭開始開發(fā)模型服務(wù)。
4.培訓(xùn)與評估
開發(fā)視覺檢查模型之后的下一步是對其進(jìn)行培訓(xùn)。在此階段，數(shù)據(jù)科學(xué)家會驗(yàn)證和評估模型的性能以及結(jié)果的準(zhǔn)確性。測試數(shù)據(jù)集在這里很有用。對于視覺檢查系統(tǒng)，它可能是一組已過時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，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應(yīng)。
軟件
視覺檢查驅(qū)動軟件的結(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。共有三種存儲數(shù)據(jù)的方式：本地服務(wù)器，云流服務(wù)或無服務(wù)器架構(gòu)。
視覺檢查系統(tǒng)涉及視頻記錄的存儲。數(shù)據(jù)存儲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)和自動化過程的不同，集成視覺檢查系統(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)時視頻流。一些示例包括IP和CCTV。
l 網(wǎng)關(guān)。專用的硬件設(shè)備和軟件程序都可以很好地用于視覺檢查系統(tǒng)。
l CPU / GPU。如果需要實(shí)時結(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。可以優(yōu)化CPU以運(yùn)行視覺檢查模型，但不能進(jìn)行培訓(xùn)。最佳GPU的示例可能是Jetson Nano。
l 光度計（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。
l 比色計（可選）。當(dāng)檢測光源中的顏色和亮度時，成像色度計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)方法可以通過迭代收集新數(shù)據(jù)和模型重新訓(xùn)練來提高神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確性。結(jié)果是通過在操作過程中增加數(shù)據(jù)量來學(xué)習(xí)的“更智能”的視覺檢查模型。
