1

如何在工業生產中應用人工智能

在機器視覺領域存在一個共識，即：在數字時代，人工智能(AI)是推動工業生產的關鍵。自學習算法有可能改進現有機器視覺流程與產品，也帶來了新的應用可能性。然而，這些也需要新的思維方式。但機器視覺行業中許多公司仍對新技術持保留態度。人們沒有所需的專業知識和時間來詳細地了解人工智能。由于對AI技術的監管和認證有限，許多用戶很難理解該技術及其結論。因此，目前市場對AI的接受度并不高，也缺乏對該技術的介紹。制造商能否增加應用AI技術的透明度并降低應用門檻？還是說AI技術仍無法應用于工業用途，目前僅僅是初創企業玩弄的一項計謀？

2

AI技術缺少了什么？

人工智能或機器學習(ML)的工作方式與基于規則的圖像處理截然不同，因此視覺任務的方法和處理方式也不同。AI處理結果的質量也不再是人工開發的程序代碼產物，而是由是否具有合適圖像數據的學習過程來決定。這聽起來很簡單，但是只有通過足夠的專業知識和經驗才能實現預期的目標。缺少處理正確數據的專業經驗，往往會導致錯誤發生，而又會導致機器學習方法的錯誤應用。測試表明，在些某些情況下，由于使用了有太多不重要內容、曝光不良、模糊不清甚至標簽錯誤的圖像，而導致不同用戶在同一任務中實現了非常不同的人工神經網絡(ANN)訓練質量。

3

軟件先行

我們并不缺少合適的硬件!高效工作的AI加速器讓機器學習的應用尤其適用于小型、低功耗嵌入式視覺系統或全集成的推理相機平臺。個別生產商已經推出這種加速器了。但這并不能解決行業內這項新技術應在初期解決的問題。AI技術必須經過測試、驗證、重新訓練并最終整合到高效的工作流程中，即應用中。但是哪些公司會這樣做？而且還有能力這樣做？所有這些操作實際上都是相同的重復任務。但這需要超越原型開發的其他能力。而且還需要能為特定平臺的工具進行編程的系統程序員。

4

應用程序向導

然而，大部分圖像處理應用程序的工作流程相對簡單。捕捉圖像→ 分析圖像或提取特征（圖像處理） → 做出處理決定 → 啟動操作。此過程可以是對產品的簡單識別和分類，隨后通過各種接口為機器控制或分揀系統發出信號或傳輸信息。這些基本功能只在一些細節上有所不同，因此不必每次進行重新編程。然而，作為項目的切入點而選擇的深度學習使用案例，例如“分類”或“物體檢測”，通常已經過于抽象，無法推導出數據采集和視覺應用程序配置的進一步必要操作步驟。

5

以“拼圖”代替編程

如果您想要創建更為復雜的流程，不一定需要使用C++或其他基于文本的編程語言。如果函數庫被封裝成視覺功能塊，并添加了可視化編輯器，那么該過程就可以像拼圖的碎片一樣組合起來，而不必擔心單個編程語言的確切命令。為此目的，Google專門創建了Blockly項目。虹科的NXT相機使用Blockly并調整其自身的功能，以便能夠以任意復雜的序列，將相機的推理任務合并到構建工具集中。

6

人工智能結果的可解釋性

盡管看到AI具有眾所周知的優勢,并且使用了高精確度的ANN，但在發生故障時，做出診斷往往比較困難。問題的另一面是，缺乏對AI工作方式的了解或無法解釋的結果會抑制算法的傳播。通常情況下，ANN經常被錯誤地認為是一個黑盒，會做出不可理解的決策。“雖然深度學習模型無疑是復雜的，但它們并非黑盒。事實上，稱它們為玻璃盒會更為準確，因為我們可以看清楚盒子內部，看到每個組件的工作狀態。”[摘自“機器學習中的黑盒隱喻”]。神經網絡的推理決策不是基于經典邏輯規則，人類可能不容易理解其人工神經元的復雜交互作用。但它們仍是數學系統的結果，因此具有可復制性和可分析性。我們只是缺少合適的工具支持。恰恰是在AI領域，我們仍有很大的提升空間。也正是在此領域，市面上各種AI系統能給用戶多大程度的支持會變得顯而易見。

7

適用于工業用途的完整工具包

毫無疑問，人工智能的應用潛力是巨大的。帶AI加速器的推理相機充分地證明了它的高效性，這表明我們已經能夠提供合適的硬件。但僅提供硬件還不足以讓全行業都開始使用人工智能。制造商面臨的挑戰是通過以易用軟件和一體化流程的形式，分享他們的專業知識來支持用戶。與經過多年發展成熟并通過大量文檔、知識轉讓和多種軟件工具建立了忠實客戶群的最佳做法相比，人工智能仍有許多進步空間，但該技術已經在不斷改進。為了進一步提高人們對AI的接受度和理解度，各項AI標準與認證正在制定中，旨在對人工智能進行廣泛應用。最終的目的是讓每個人都熟悉這項新技術，以免錯過最佳時機。借助我們的NXTocean平臺，嵌入式AI系統已經可以作為工業工具，快速而方便地操作，并通過許多易用的軟件工具讓用戶群受益——即使這些用戶群對機器學習、圖像處理或應用編程沒有深入的了解。