深度学习简单介绍

  • 作者:

  • 来源:光虎光电科技(天津)有限公司

  • 访问量:1325

  • 发布时间:2022-01-10 09:33:14

人工智能,特别是通过深度学习的方式进行的机器学习,正在对整个世界产生巨大的有益影响。深度学习技术被用于无数应用,从赋予虚拟助理处理自然语言的能力,到通过推荐引擎增强电子商务体验,到帮助医疗从业人员进行计算机辅助诊断,到在航空航天工业中执行预测维护。深度学习技术也是工业4.0的关键推动者——这是在制造业中发生的第四次工业革命,特别是使用由数据和机器学习驱动的智能和自主系统——机器视觉技术是一个重要的贡献者。需要注意的是,深度学习本身并不能处理各种形式的机器视觉任务,需要仔细的准备和维护才能真正有效。接下来将详细介绍机器视觉——获取和分析数字图像的自动化计算机化过程,主要是为了确保质量、跟踪和指导生产,即如何从深度学习中获益。

机器视觉和深度学习面临的挑战

机器视觉处理在消费品和工业产品的制造和加工过程中经常遇到的识别、检查、指导和测量任务。传统的机器视觉软件用特定的算法来解决这些任务;这些方法通常需要专门的知识、技能和经验才能正确地实现。此外,这些方法或工具有时在处理和适应复杂变化条件下的能力方面存在不足。

深度学习针对此类应用有很大的帮助,但需要基于预先收集的样本数据进行艰苦的训练,以产生行业通常要求的结果水平(即3σ或至少99.7%的过程准确性)。此外,有时还需要进行更多的训练,以考虑到可能对生产产出产生不利影响的不可预见的情况。重要的是要认识到,深度学习主要用于数据分类,并不是所有的机器视觉任务都适合这种方法。

深度学习的优势和劣势

如前所述,深度学习是指诸如图像或其组成像素等数据被分类为两个或更多类别的过程。深度学习特别适合于识别对象或对象特征,例如,识别小部件A与小部件B的不同等等。

该技术还特别擅长应用在检测缺陷,无论是存在缺陷或异物,还是在正在组装的小部件中或小部件上没有关键组件。还可以方便地识别文本字符和符号,如生产日期和批次代码。

虽然深度学习擅长在复杂和可变的情况下使用,例如发现不规则不均匀、纹理图像背景或一个小部件的图像显示为正常和可接受的方式变化(见图1)。

使用深度学习进行分析是一个基于概率的过程,因此不适用,甚至不适合需要精确测量的工作。高精度测量仍然是传统机器视觉软件的所擅长的。条形码和二维符号的解码,本质上是基于特定的算法,也不是一个适合深度学习技术的领域(见图2)。

图片

图一

图片

图二

深度神经网络的介绍

深度学习是机器学习的最新表现,它本身被细分为三种不同的类型,即监督学习、无监督学习和强化学习。监督学习是现在应用中最常用的方法。

深度学习技术利用深度神经网络来执行其分类功能。这些神经网络的灵感来自于人类大脑处理感官输入的方式,以解释数据。具体来说,深度学习技术利用卷积神经网络(CNN)来分析图像。CNN也可以被称为模型。

一个深度神经网络由多个层组成(见图3)。输入层定义了神经网络必须处理的图像属性。可以计算两个或两个以上的隐藏层提取特征(即边、角等)。具有越来越高的复杂度,并建立了一个特征空间。最后,输出层根据保留的特征建立分类,并提供所谓的推理或预测结果。

图片

图三



【来源:光虎光学内部培训资料】

光虎光学专业生产由德国设计的工业镜头
以高精度双远心镜头为核心,涵盖高性能FA定焦镜头、变倍镜头等产品。
可实现为客户定制化研发生产。光虎光学还代理欧美日机器视觉全系列产品。
如面阵与线扫工业相机、智能相机、3D相机、红外与紫外相机、光源、图像采集卡、机器视觉软件及其他周边产品。