未來已來——解讀人工智慧和深度學習對機器視覺的影響

摘要

通過採用深度學習技術和人類用於發展大腦的其他功能，在機器視覺中融入人工智慧將使機器思考得更像人類。

GIF/1K

當20世紀50年代出現了「思維機器」的概念之後不久，人們就開始對人工智慧（AI）領域發出了不安的警告。自從1968年的標誌性電影「2001：太空漫遊」到2014年的科幻大片「機械姬 Ex Machina」，對「機器崛起」的恐懼一直在流行文化中發酵著。

雖然AI仍然沒有像人們擔心的那樣「接管」社會，但是隨著數據存儲和處理能力的提高，像IBM Watson這樣的認知系統的開發使得未來代替人類決策的猜測成為可能。不過目前而言，大多數AI的迭代處理還是諸如對象識別等更為「溫和」的任務。

AI技術的運用，將使機器視覺能夠具有超越現有解決方案的能力，勝任更具有挑戰性的應用。但是加入AI的機器視覺是否已經做好準備用於工業應用呢？

深度學習能力

AI在機器視覺中的適用性依賴於機器學習技術，更準確的說是深度學習能力。從最廣泛的層面上來說，AI可以被定義為計算機模擬人類智能的能力。機器學習使計算機能夠在沒有明確編程的情況下進行操作。深度學習，是機器學習的一個子領域，使計算機能夠從經驗中不斷學習。

過去十年的一些發展使得在機器視覺中應用深度學習技術成為現實。「基於神經網路的新技術，圖形處理單元（GPU）足夠強大的計算能力以及豐富的數據，現在我們已經可以使用人工智慧進行圖像處理。」來自ViDi Systems業務發展部門的Olivier Despont談道。該公司2017年4月已被康耐視公司收購，其主要產品是基於深度學習的工業圖像分析軟體。

深度學習為傳統的機器視覺技術帶來了希望，因為它與使用基於規則方法的傳統圖像處理軟體不同。「AI使我們在遇到不容易表徵或非線性的應用時，賦予機器更高水平的可重複性。」FISBA LLC定製光學系統銷售總監Wallace Latimer說：「如果把線性演算法比喻成創建一個非常窄的桶，那麼AI 或深度學習就是創造更大的桶，可以接受更多的變化。通過更寬泛的接受度，您可以專註於最重要的事，減少投入的變化。」

目前，機器視覺用戶已經可以在市場上找到深度學習系統軟體。例如，第一款深度學習工業圖像分析軟體ViDi Suite已經投入商業運營。通過與標準圖像處理庫集成的軟體，它可以像小孩子一樣進行學習。

「你不會用一個基於規則的方式跟孩子解釋房子是什麼。」 Despont說，「通過很少的例子，即使在年幼的時候，我們的大腦也能夠認知到房子是什麼。在這方面，我們的深度學習系統與人類大腦運作相似。」

相較於傳統機器視覺解決方案，深度學習的另一個優點是可以減少開發機器視覺程序所需的時間。「通常來說，大多數機器視覺應用程序需要60多天的軟體開發和可行性測試，而採用ViDi Suite半天就可以完成開發。」 Despont說。

與建構在「伺服器群組」基礎上的AI系統不同（例如由Facebook、Google和IBM開發的軟體），ViDi使用單個高端NVIDIA GPU在幾分鐘內就可對系統進行訓練。根據Despont的說法，這會節省大量時間，例如使用IBM Watson來編程和參數化可能需要幾天甚至幾個月的時間。

「我們建議從30到50個代表性的優質圖像開始教授系統，而不是使用數百萬或數十億個圖像。」Despont說，「我們不會將圖像發送到基於雲的伺服器農場進行處理或培訓。客戶很高興，他們可以使用一個GPU在一台PC上運行所有內容，並保持其圖像的所有權。」

機遇與挑戰

深度學習為一些採用傳統視覺系統面臨挑戰的應用帶來了希望。Teledyne Dalsa公司的軟體項目經理Bruno Ménard說：「AI真的很適合於食物檢查，尤其是當您想要檢查甜甜圈或一塊顯示出明顯差異的肉時」。

不僅僅是有機檢測應用能從AI中獲益，Ménard還引用了傳統的缺陷檢測應用作為另一個例子。「使用傳統演算法來編程計算機難以定義缺陷，需要在每次出現新的缺陷時重做設置。」 他說，「但是通過擁有大量樣品的人工智慧，您最終可以得到一個非常清晰的了解，知道哪些部分是好的，哪些是不好的。」

隨著AI在機器視覺方面的興起，該技術將適用於更多的檢查任務，最終超越工業自動化領域。Latimer認為，深度學習在醫療、生命科學、食品、假冒檢驗和木材分級等行業都將有很好的發展前景。

「在這些應用中都有很多不太容易做出判斷的決定點。」 Latimer說，「例如，那個蘋果還好嗎？就很難說出一個線性的規則去判斷。而通過深度學習應該可以使許多應用變得更加高效和可重複。」

未來，在醫療診斷、監視、自動駕駛和智慧農業等領域將會更多地引入深度學習技術，以實現檢查或地圖分析等功能。Despont說：「AI是未來的發展趨勢，很快就能幫助人們解決一些複雜的任務，因為計算能力幾乎每一年半都翻倍。」

許多機器視覺專業人士已經認識到AI和深度學習將對視覺行業帶來重要的影響，但他們認為AI的全部潛力可能至少要在3到5年之後才會爆發。此外，AI也並不是解決所有傳統機器視覺和圖像處理問題的唯一方法。

Ménard指出了AI系統的兩個主要缺點。「首先，你需要大量的培訓，你需要創建專家團隊，以便於達到下一個級別的分類。」他說，「第二個缺點是一旦被訓練完，發現分類失敗，就很難解決這個問題。你別無選擇，只有再培訓一個新的樣本。」

人工智慧在機器視覺中變得越來越普遍，行業專家建議應該根據企業自身的情況有側重的發展。「從利基市場來看，世界各地的谷歌正在將這項技術推向難以置信的投資和細化水平。」 Latimer說，「在工業領域，我們可能無法投入如此大規模的時間和資本，因此我們要善於利用它的優勢。」

本文來自於《控制工程中文版》（CONTROL ENGINEERING China ）2017年8月刊《機器視覺專刊》欄目，原標題為：人工智慧對機器視覺的影響。

想要每天收到全球最領先工控自動化和智能製造的技術文章，請關注我們的微信號「控制工程中文版」！

————本期雜誌封面————

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！