深度學(xué)習(xí)大潮中的工業(yè)視覺檢測
深圳市聯(lián)優(yōu)視覺技術(shù)有限公司
在2010年以前，機(jī)器視覺技術(shù)廣泛應(yīng)用于工業(yè)檢測中。通常，算法工程師從自己對當(dāng)前問題的理解和知識，對問題進(jìn)行模型近似，然后結(jié)合自己的理論和技術(shù)進(jìn)行問題求解。每個解決方案的性能與工程師的能力息息相關(guān)，很容易就可以看到解決方案的上限。而且，由于當(dāng)時圖像算法技術(shù)和理論所限，解決方案中通常會有很大一部分努力是在于如何通過光照（要求視覺光源）、相機(jī)和鏡頭選型（要求工業(yè)相機(jī)和工業(yè)鏡頭的性能）來優(yōu)化成像方案的方式來簡化問題，縮小問題邊界，來降低算法適用性過小的不利影響。
進(jìn)入2010年后，深度學(xué)習(xí)理論席卷學(xué)術(shù)圈，也對機(jī)器視覺理論和技術(shù)帶來了深遠(yuǎn)的影響。很多機(jī)器視覺的領(lǐng)頭企業(yè)也在這個方面進(jìn)行發(fā)力，例如Cognex。深度學(xué)習(xí)的主要影響體現(xiàn)在以下方面：1.數(shù)據(jù)與模型的關(guān)系發(fā)生質(zhì)的變化。傳統(tǒng)理論和技術(shù)中，模型為主，數(shù)據(jù)為輔，模型在設(shè)計時通常都假定能夠適用大多數(shù)情況，例外發(fā)生時，收集數(shù)據(jù)，再由工程師進(jìn)行模型修正；基于深度學(xué)習(xí)的理論和技術(shù)，數(shù)據(jù)為主，模型隱藏于數(shù)據(jù)當(dāng)中，或者說由數(shù)據(jù)訓(xùn)練而來。2.技術(shù)適用性大大增強(qiáng)。在數(shù)據(jù)足夠的情況下，基于深度學(xué)習(xí)的技術(shù)或者解決方案，具備很強(qiáng)的魯棒性，其所能帶來的性能大大超出算法工程師的能力邊界。因此，對于光照、成像環(huán)節(jié)的要求大大降低。3.系統(tǒng)行為的可預(yù)測性大大降低，由于訓(xùn)練數(shù)據(jù)的龐大與前向網(wǎng)絡(luò)的高度非線性，想要對該系統(tǒng)進(jìn)行較詳盡的分析已經(jīng)沒有可能。因此，使用中出現(xiàn)的問題，很難分析其根由，不像傳統(tǒng)技術(shù)，review代碼即可知道在模型在哪一方面有不足或者是因?yàn)槭裁创aBUG引起的。
但是，需要指出的是，基于深度學(xué)習(xí)理論和技術(shù)也是有其邊界，也有其不擅長的領(lǐng)域。深度學(xué)習(xí)理論和技術(shù)比較適合用來解決判斷邏輯，譬如“檢測當(dāng)前圖像是否有缺陷？”，“更像何種類型的缺陷？”等檢測與分類問題。但是對于測量等應(yīng)用，則會不太適用。其根由在于，作為對標(biāo)人類智能的理論和技術(shù)，在大多數(shù)應(yīng)用領(lǐng)域中，深度學(xué)習(xí)理論技術(shù)還是以模仿或者逼近人類智能為其目標(biāo)。而人類智能對識別擅長，但是對于測量等問題并不擅長，因此以學(xué)習(xí)人類為目標(biāo)的深度學(xué)習(xí)理論和技術(shù)也依然受此限制。同時，深度學(xué)習(xí)理論和技術(shù)的出現(xiàn)，并不意味著傳統(tǒng)打光、成像技術(shù)就沒有用武之地。而且，在比較大型的應(yīng)用中（例如人臉識別），也經(jīng)常能看到同時集成了傳統(tǒng)算法技術(shù)和深度學(xué)習(xí)理論技術(shù)的解決方案。一個設(shè)計合理的方案與系統(tǒng)，會大大簡化我們待解決問題的維度與復(fù)雜度，從而大大縮短我們訓(xùn)練網(wǎng)絡(luò)的數(shù)據(jù)量和時間，也同時大大降低網(wǎng)絡(luò)的復(fù)雜度（網(wǎng)絡(luò)規(guī)模和參數(shù)量），從而會大大降低我們解決方案所需的計算資源要求，這對于IOT等場合無疑是我們優(yōu)先考慮的選項(xiàng)。
總之，深度學(xué)習(xí)理論和技術(shù)給機(jī)器視覺領(lǐng)域帶來沖擊，并產(chǎn)生了深遠(yuǎn)的影響，這種技術(shù)與傳統(tǒng)技術(shù)之間的融合將會大大推進(jìn)機(jī)器視覺領(lǐng)域的發(fā)展。
相關(guān)推薦