這是一篇客座文章。這里所表達的觀點只是作者的觀點，并不代表IEEE Spectrum或IEEE的立場。

在2020年，我們看到了深度學習的加速利用，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是引入了智能和自主系統(tǒng)，以數(shù)據(jù)和深度學習為動力，這是一種強大的人工智能（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)量檢測的改進，而這是人類檢查員無法比擬的。考慮到COVID-19對人力勞動的強制性限制，比如工廠車間的社交距離問題，這些好處對于保持生產(chǎn)線的運轉(zhuǎn)更為關鍵。

雖然制造商使用機器視覺已經(jīng)有幾十年了，但是深度學習的質(zhì)量控制軟件代表了一個新的前沿發(fā)展方向。那么，這些方法與傳統(tǒng)的機器視覺系統(tǒng)有何不同呢？當你按下這些人工智能質(zhì)量控制系統(tǒng)的“運行”按鈕時會發(fā)生什么？

制造業(yè)引入深度學習前后

為了理解在運行質(zhì)量控制的深度學習軟件包中會發(fā)生什么，讓我們看看前面的標準。傳統(tǒng)的機器視覺質(zhì)量控制方法依賴于一個簡單但功能強大的兩步過程：

第一步：專家決定每臺攝像機采集的圖像中的哪些特征（如邊、曲線、角點、色塊等）對于給定的問題是重要的。

第二步：專家創(chuàng)建一個手動調(diào)整的基于規(guī)則的系統(tǒng)，有幾個分支點，例如，在包裝線上，通過多少“黃色（yellow）”和“曲率（curvature）”，能夠?qū)⒁粋€對象歸類為“成熟的香蕉（ripe banana）”。然后這個系統(tǒng)會自動決定產(chǎn)品是否是它應該的樣子。

該方法簡單有效。但多年來，制造商對質(zhì)量控制的需求迅速發(fā)展，將需求推到了下一個層次。但是，沒有足夠的人類專家來支持制造商對自動化日益增長的需求。雖然傳統(tǒng)的機器視覺在某些情況下工作得很好，但在很難檢測出好壞產(chǎn)品之間的差異的情況下，它往往是無效的。以瓶蓋為例，根據(jù)飲料的不同，瓶蓋有很多變化，如果一個瓶蓋有一點點缺陷，你就有可能在生產(chǎn)過程中使整個飲料溢出。

用于質(zhì)量檢查的新型深度學習驅(qū)動軟件基于一個關鍵特性：從數(shù)據(jù)中學習。與他們的舊機器視覺版本不同，這些模型自己學習哪些功能是重要的，而不是依賴專家的規(guī)則。在學習的過程中，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。不需要人類專家，而負擔就轉(zhuǎn)移到機器本身了！用戶只需收集數(shù)據(jù)并使用它來訓練深度學習模型即可，而無需為每個生產(chǎn)場景手動配置機器視覺模型。

使用傳統(tǒng)的深度學習模型進行質(zhì)量控制

數(shù)據(jù)是深度學習有效性的關鍵。像深度神經(jīng)網(wǎng)絡（deep neural networks，DNNs）這樣的系統(tǒng)是以有監(jiān)督的方式訓練來識別特定類別的事物。在一個典型的檢查任務中，DNN可能會被訓練成視覺上識別一定數(shù)量的類別，比如通風閥的好壞圖片。假設它得到了大量高質(zhì)量的數(shù)據(jù)，DNN將得出精確、低誤差、有信心的分類。

讓我們看一個識別好的和壞的通風閥的例子。只要閥門保持不變，所有制造商所要做的就是點擊“運行”按鈕，生產(chǎn)線的檢查就可以開始了。但是，如果生產(chǎn)線切換到一種新型閥門，則必須重新進行數(shù)據(jù)收集、培訓和部署。

為了使傳統(tǒng)的深度學習成功，用于訓練的數(shù)據(jù)必須是“平衡的”。一個平衡的數(shù)據(jù)集包含有缺陷閥門的圖像和包含各種可能的缺陷類型的圖像一樣多。收集良好閥門的圖像很容易，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，特別是當您需要收集每種類型缺陷的數(shù)百個圖像時。某些時候，事情會變得更加復雜 -- 在系統(tǒng)被訓練和部署之后，一種新的缺陷完全有可能再出現(xiàn)，這將要求系統(tǒng)被關閉、重新培訓和重新部署。由于大流行病帶來的消費者對產(chǎn)品的需求急劇波動，制造商有可能因停產(chǎn)而受損。

另一種“運行”按鈕

對于我們前面描述的質(zhì)量控制的傳統(tǒng)機器視覺過程，可能還有一個教訓可以借鑒。它的兩步過程有一個優(yōu)勢：產(chǎn)品特性的變化比規(guī)則慢得多。由于通風閥的特性在不同的生產(chǎn)類型中持續(xù)存在，這種設置很好地符合制造的實際情況，但是必須隨著每一個新缺陷的產(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，都必須重新訓練深度學習模型。為了進行再訓練，新的缺陷必須用與之前所有缺陷相同數(shù)量的圖像來表示。所有的圖像必須放在一個數(shù)據(jù)庫中重新訓練系統(tǒng)，這樣它就可以學習所有舊規(guī)則和新規(guī)則。

為了解決這一難題，另一類DNNs引起了研究人員的關注。這些新的DNNs以一種更加靈活的方式學習規(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習新規(guī)則。

這些所謂的持續(xù)或終身學習系統(tǒng)，特別是終身深層神經(jīng)網(wǎng)絡（lifelong deep neural networks，L-DNN）的靈感來自大腦神經(jīng)生理學。這些深度學習算法將特征訓練和規(guī)則訓練分開，能夠動態(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)集緩慢地學習特性，但L-DDN在這一階段并沒有學習規(guī)則。而且他們不需要所有已知閥門缺陷的圖像，只要對象具有相似的特征（如曲線、邊、表面特性），數(shù)據(jù)集就可以相對通用。使用L-DNNs，這部分模型創(chuàng)建可以一次性完成，而無需制造商的幫助。

我們假設的閥門制造商需要知道的是：在特征學習的第一步完成后，他們只需要提供一小組良好閥門的圖像，系統(tǒng)就可以學習一組定義好閥門的規(guī)則。沒有必要再提供任何缺陷閥門的圖像了。L-DNNs將學習僅使用“良好”數(shù)據(jù)（換句話說，關于良好通風閥的數(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)品時通知用戶。這種方法類似于人類用來發(fā)現(xiàn)他們每天遇到的對象差異的過程，這對我們來說是一項不費吹灰之力的任務，但在L-DNN系統(tǒng)出現(xiàn)之前，對于深度學習模型來說，這是一項非常困難的任務。

L-DNNs不需要數(shù)千種不同的圖像，而只需要少數(shù)圖像來訓練和建立對對象的原型理解。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有一個實際顯示有缺陷的產(chǎn)品。還可以實時更改定義原型對象的規(guī)則，以跟上生產(chǎn)線中的任何更改。

在當今的制造環(huán)境中，機器能夠以每分鐘超過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，以前看不見的缺陷也會出現(xiàn)在生產(chǎn)線上。傳統(tǒng)的機器視覺無法解決這一問題 -- 每種產(chǎn)品都有太多的特殊特征和閾值。

當按下由L-DNN系統(tǒng)驅(qū)動的質(zhì)量控制軟件上的“運行”按鈕時，機器操作員可以降低優(yōu)化質(zhì)量檢驗的成本和時間，給制造業(yè)一個跟上創(chuàng)新步伐的戰(zhàn)斗機會。今天，像IMA集團和Antares Vision這樣的全球制造商已經(jīng)開始實施這樣的技術(shù)來幫助質(zhì)量控制，我預計我們將看到許多其他制造商會開始效仿，以便在全球舞臺上保持競爭力。

原文標題：深度學習已經(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：IEEE電氣電子工程師學會】歡迎添加關注！文章轉(zhuǎn)載請注明出處。

責任編輯：haq