文章选自「Forbes」Jun 16, 2020“从计算机视觉到深度学习：人工智能如何助力制造业（From Computer Vision To Deep Learning: How AI Is Augmenting Manufacturing）”。作者：Max Versace，深度学习神经网络软件公司 Neurala 的 CEO 兼 波士顿大学神经形态实验室的创始人。
制造工厂竞相提高产量的同时，面临着劳动力间断的情况。于是制造商开始研究如何利用人工智能辅助工业摄像头，以便人工检查员能够迅速发现有缺陷的产品并纠正问题。
虽然机器视觉已经存在60多年，但最近深度学习的热度激增才引起了全球大型制造商对这种时不时被误解的技术的注意。
深度学习与机器视觉有何不同，制造商该如何利用这种视觉技术的自然演变来应对现实世界的需求？
1.机器视觉：当“简单”过于简单时
二十世纪60年代，一些科学家开始着手解决“机器视觉问题”，其中大部分在波士顿地区。解决方法简单但有效：科学家提出了一个框架，将机器视觉系统的执行分为两个步骤。
第一步，科学家判断出哪些是影响图像全貌的部分特征，如边缘、曲线、色块、角落和图像中的其他显著关键点。
第二步，他们设计了一个分类器，通常是手动调整“阈值”，然后分类器会自动对这些特征进行权重分析并判断其属于什么东西，例如，多少“红色”和“曲率”的组合会被归类为“红苹果”。这种方法虽然不能完全具备人类视觉的力量，但简单有效，几乎可以保持 50 年不变。
在这个最初形式中，它可以接入大量实际应用程序，并成为了制造应用程序的关键部分，也是从这时起开始助力质量控制部署。
在视觉检测的一个案例中，机器视觉系统可用来在图像中检测产品缺陷。第一步通常是对产品图像进行采样，计算其对比度、边缘、颜色和其他特征，因为它们可能预示了产品的缺陷。第二步，质检员将手动调整分类器，判断是否有足够的“可疑特征”造成产品损坏。
这种方法在某些情况下简单且有效，但在大多数情况下却完全无效，因为当产品的特征和缺陷之间的差异是高度定性、微妙且可变的时候，这种方法就会失效。然而，这就是我们生活的世界的本质。
对此，机器视觉的回答是：创建更多特征和阈值，但复杂度也会逐渐上升，使得对于最有经验的工程师和操作员来说，这些系统也变得极难调整。
2.深度学习之路：实现“人工”智能到软件智能的转变
在80 年代，机器视觉风靡一时，却有一小部分科学家感兴趣于弥合生物系统和机器之间的差距，开始完善关于模仿神经元及其在大脑视觉系统中的结构的理论。目的是为了更好地了解我们是如何感知的，并在此过程中设计出“看得”更清晰的机器。
那些年，深度学习模型的雏形诞生了。这一关键是自组织。重要的是，这些模型和后来的深度学习旁支计算都不依赖传统机器视觉的两个手动调整步骤。
相反，他们将寻找（学习）这些特征和阈值的担子从科学家身上转移到了深度学习模型上。科学家们仍需动脑设计方程式，但不同的是只需设计一次，因为这些方程式可以直接从数据中进行广义学习。
这确实是深度学习的关键：无需为每种情况都设计一个机器视觉模型，而是设计一个可以直接从数据中学习的学习机器，无论是水果、飞机还是机器里的零部件，它都可以进行分类。
2.深度检测：赋予工业摄像头以AI的强大功能和灵活性
在机器视觉主导的质量控制领域，深度学习代表了一项至关重要的创新，尤其是在这个越来越多的工作只需越来越少的人便可完成的时代。
随着机器能够轻松地以每分钟60件或以上的速度生产种类繁多、不断变化的产品，深度学习正在改变机器视觉领域，尤其是结合边缘学习的产品（或直接从摄像头/机器中学习的能力）。
如今，由于不断引入新产品，新的、以前没有发现的缺陷随之出现。在机器边缘节点上运行的深度学习模型使得数十个工业摄像头能够在这样一个多变的生产环境学习新的产品类型和缺陷。
而机器视觉是无法解决这个任务的——有太多专门的、手动调整的产品特征和阈值，而且每个产品都有各自非常复杂的接入要求。对于各类制造商来说，深度学习技术降低了优化质量检查的成本和时间，并且降低到了一个技术上和经济上都可行的水平。
深度学习是一种范式转换技术，通过将“智能”从工程师和质检员转移到一系列软件上，该软件持续运行在深度学习所需的计算边缘上，并且以深度学习有效实现100%检查所需的速度、低延迟性和成本运行。深度学习为工业4.0革命开辟了一条清晰的道路。
虽然机器视觉已经达到了它的目的，但支持深度学习的工业摄像头将会为这个迫切需要突破的领域带来创新。
本文转载至互联网， 如有侵权，请联系删除。