視覺觀測：人類大腦PK數字大腦，孰優孰劣？
一次圖像處理會議上，發言人討論了顏色的概念，談到了他和一位潛在客戶的一段對話，客戶說，「太簡單了，自動視覺系統只需要檢查這部件是否為綠色」。聽起來很簡單，是不是？不過，上次你確定房間裝修顏色是什麼時候呢？你挑選了那種綠？海藻綠、卡其色、淡黃綠色還是黃瓜綠？綠松石怎麼樣，它是綠色嗎？實現視覺觀測過程自動化，最大的困難是明確可接受和不可接受的範圍。這種機器不具備人類直覺。
這是一種怎樣的機器呢？我們將這種自動視覺觀測系統定義為非接觸系統，這種系統能發現視覺缺陷，檢查期望特徵，由一種或者多種視覺感測器（一維、二維、或者三維）、一個數據處理器（可能是電腦，或者像智能相機一樣可嵌入感測器的處理器）組成。這種系統輸出信息（例如：好/壞部件）。取決於部件的複雜性，該系統也包括一種處理系統（例如：機器人）。這篇文章主要講述工業中廣泛應用的二維圖像觀測。
與人類觀察事物的方式類似，自動視覺觀測系統具備感應器、加工器、處理系統。
那麼，自動視覺觀測系統和人類大腦的區別在哪呢？
可靠性
檢查通常是怎樣的情形呢？檢查員被培訓，集中注意力於具體工作上，理論上，他應當一直觀測部件的所有表面，他知道平時的缺陷和其所在位置。他有一個規定了一系列缺陷的指南，根據先前過程中可能出現的失敗，他知道可能存在的錯誤：模具已經達到了最大損耗極限；微波爐溫度不是最佳；微波爐可能會爆炸等等；所有的這些失敗能在被觀測的部件上留下印記，這些缺陷甚至有名稱和類別，因為過去多次出現過。但是，如果缺陷之前從未出現過（或者出現次數過少，以至於檢查員未曾發現），會怎麼樣呢？如果視覺缺陷不在平常位置呢？人類檢查員也許會錯過一些顯而易見的事，並非因為他/她不是一個好員工，而是因為他/她是一個人。
被訓練用來觀測部件所有表面的自動視覺觀測系統總是會盯著所有表面，因此能注意到這種「不同尋常的缺陷」。自動系統肯定不會對這些缺陷進行分類，更不用說知道其潛在原因。但是它會標記這些缺陷，引起人類檢查員的關注，以便檢查員進一步調查。
如此自動的視覺觀測系統總是最好的，對嗎？不要說這麼快，人類的大腦相當複雜，擁有多種功能。我們看一看其中的幾項功能。
適應性
假設你在檢查一個部件，視覺缺陷指南規定「灰色表面的任何黑點都是缺陷」。我給你20個存在各種灰色陰影的部件，灰淺不一，你仍然能檢查出上面的黑點嗎？我當然相信你可以。現在把同樣的部件給自動系統，與深灰色比較，你需要明確什麼是黑色（專業術語：顏色編碼為0x00000是黑色，但是顏色編碼為0x090909的怎麼辦呢？對我而言，它看起來也是深色）。
現在有另外一個關於人類超級適應力的例子，當你完成網路交易後，你也許需要回答一些安全問題，例如，「請證明你不是機器人」。
你現在開始思考：實現觀測過程自動化是不可能的事嗎？不！你能做許多事，減少對適應力的需求，從而簡化自動化過程。一種可能的對策是，看一看處理流程，也許能改變。滾動過程替換觀測過程也許是一種策略改變。先滾動部件，表面會更加均勻，機器更容易觀測。
識別圖案
什麼是正常特徵，什麼是缺陷？人類擅長識別圖案，標記可疑之處。
人也許只需要一個部件就可以識別圖案，例如：對準的孔洞。
這種機器，另一方面，可以標記這些洞（或其他洞），作為「可疑的黑點」，除非它之前已經另外學習過。自動視覺系統因此需要接受訓練，才能知道什麼是正常圖案，什麼不是正常圖案（也許有尺寸限度，顏色限度？）。適應性的概念又出現了。如果你不使用足夠的樣品訓練系統，那些不是完全像之前的圖案，機器會標記為不正確。使用多種樣品是一個不錯的方法，但是謹防使用不同部件訓練過度，因為這可能降低機器敏感度。
我們看一看光學字元識別（OCR）的例子：你已經訓練系統，需要尋找的圖案是8，但是正確按鍵B也可以，因為你知道字體左邊有時候也會出現問題。現在我們假設機器讀出3，這能接受嗎？左邊不同，但是由於已知的按鍵問題，你已經訓練系統不用那麼挑剔。那就是敏感度降低的極好例子。你輸入系統的「正常的」東西越多，系統越不敏感。底線就是，訓練系統很棘手，也許需要與檢查員攜作。
「非正式的」檢查員和操作者
我們再來談一談人類檢查員，他們拿一個部件，翻過來，持續地看著它。他們注意到部件上的黑點，接下來會發生什麼呢？他們要麼對著部件吹，證實這個黑點是否只是灰，要麼用指甲核實它的硬度。嘗試自動化過程時，和這些檢查員坐著，觀察實際過程（手冊上未記錄的非正式過程）是一種好的做法。
重複性
說到重複性，數字大腦更勝一籌。幾乎任何自動化過程都具有重複性：不管這個部件是不是在周一早上或者周五下午被觀測到，結果都是重複的。
為實現視覺觀測自動化，你能做什麼呢？
我們已經了解到，人類具有強大的適應能力，善於檢查圖像，擁有其他工具幫助精準觀測。另一方面，自動視覺觀測系統可靠，可重複。那麼，我們怎樣將兩者結合，獲得最佳效果？
以下幾條提示也許有用：
認真選擇協調者：為了充分掌握觀測過程及其變數，你將和協調者緊密工作，訓練系統，訓練檢查員使用系統等等。
和協調者坐一起，記錄實際過程。如果任何觀測指南中都沒提到「對著部件吹」，但是因為檢查員拿到部件時，灰太多，所以他們必須每天都對著部件吹，那麼自動系統可以與吹風機整合。
如果部件的正常表面外觀多變，記住，機器不會和你一樣適應力強，考慮重新對某些過程步驟排序。
如果可能的話，定義可接受和不可接受的數字界限：最大缺陷長度，可接受的顏色等等。當你不能數字定義時，你必須用更多的樣品訓練系統。
讓檢查人員參與自動化過程：他們知道正常部件、缺陷定義、影響部件表面的變數等等。
用不同批次、不同生產日期的部件訓練系統，以便擁有多種「正常」外表。這些系統因此能被調節，考慮多種變數。記住，達到這樣一個平衡：你想要的是靈活但不會失敏過多的精準系統。
攜起手來，和協調者合作，因為親密協調能讓配送更迅速，檢查結果更可靠。
現在，你已經了解視覺系統的優缺點了，想想如何整合你的其他機器設備、力轉矩感測器或者夾取器，真正實現系統自動化吧。
1號機器人網（www.1hjqr.com）機器人行業最權威媒體
請您繼續閱讀更多來自 1號機器人網 的精彩文章:※VR/AR數據可視化，真的適合人類的大腦嗎？
※AL大腦對人類的難題怎麼判斷？
※人類大腦的可視化藝術
※嘆為觀止的人類大腦圖譜出爐！
※PNAS：人類大腦與牙齒進化沒有關係！
※人類大腦有在視覺上「預測」未來事件的能力
※計算機真的比人類大腦更強大嗎？
※讓大腦「返老還童」？DARPA 啟動 TNT 計劃打造最強大腦
※看似弱小松鼠的一個勇猛動作，引全球PS大神腦洞！誰家大腦最強
※Neuron：人類個體大腦的精準功能成像
※人類大腦的記憶存儲容量大概有多大？
※神級PS大師？看看這些大腦洞後期作品
※ARM想將晶元裝進人類大腦 降低能耗是一大挑戰
※大腦是個強勁的多核CPU嗎？
※人類最新大腦圖譜
※眼見不為實的錯視圖形：大腦欺騙了視覺？
※Nature：重大突破！在果蠅大腦中發現一種新的視紫紅質
※類腦器官體重現大腦發育秘密細節，「人造大腦」或可期待
※男女大腦大不同：「猜猜誰的IQ比較高」？