深度學習已經徹底改變了製造業的質量控制，但還不夠深入

Photo-illustration: Neurala

來源：IEEE電氣電子工程師

這是一篇客座文章。這裏所表達的觀點只是作者的觀點，並不代表IEEE Spectrum或IEEE的立場。

在2020年，我們看到了深度學習的加速利用，這是所謂的工業4.0革命的一部分，數字化正在重塑製造業。這一波最新舉措的特點是引入了智能和自主系統，以數據和深度學習爲動力，這是一種強大的人工智能（AI），可以改善工廠的質量檢查。

那麼好處是什麼呢？通過在生產線上的軟件中添加智能攝像頭，製造商們看到了在高速和低成本下質量檢測的改進，而這是人類檢查員無法比擬的。考慮到COVID-19對人力勞動的強制性限制，比如工廠車間的社交距離問題，這些好處對於保持生產線的運轉更爲關鍵。

雖然製造商使用機器視覺已經有幾十年了，但是深度學習的質量控制軟件代表了一個新的前沿發展方向。那麼，這些方法與傳統的機器視覺系統有何不同呢？當你按下這些人工智能質量控制系統的“運行”按鈕時會發生什麼？

製造業引入深度學習前後
Before and After the Introduction of Deep Learning in Manufacturing

爲了理解在運行質量控制的深度學習軟件包中會發生什麼，讓我們看看前面的標準。傳統的機器視覺質量控制方法依賴於一個簡單但功能強大的兩步過程：

第一步：專家決定每臺攝像機採集的圖像中的哪些特徵（如邊、曲線、角點、色塊等）對於給定的問題是重要的。

第二步：專家創建一個手動調整的基於規則的系統，有幾個分支點，例如，在包裝線上，通過多少“黃色（yellow）”和“曲率（curvature）”，能夠將一個對象歸類爲“成熟的香蕉（ripe banana）”。然後這個系統會自動決定產品是否是它應該的樣子。

該方法簡單有效。但多年來，製造商對質量控制的需求迅速發展，將需求推到了下一個層次。但是，沒有足夠的人類專家來支持製造商對自動化日益增長的需求。雖然傳統的機器視覺在某些情況下工作得很好，但在很難檢測出好壞產品之間的差異的情況下，它往往是無效的。以瓶蓋爲例，根據飲料的不同，瓶蓋有很多變化，如果一個瓶蓋有一點點缺陷，你就有可能在生產過程中使整個飲料溢出。

用於質量檢查的新型深度學習驅動軟件基於一個關鍵特性：從數據中學習。與他們的舊機器視覺版本不同，這些模型自己學習哪些功能是重要的，而不是依賴專家的規則。在學習的過程中，他們創建了自己的隱式規則，這些規則決定了定義高質量產品的特性組合。不需要人類專家，而負擔就轉移到機器本身了！用戶只需收集數據並使用它來訓練深度學習模型即可，而無需爲每個生產場景手動配置機器視覺模型。

使用傳統的深度學習模型進行質量控制
Using a Conventional Deep Learning Model for Quality Control

數據是深度學習有效性的關鍵。像深度神經網絡（deep neural networks，DNNs）這樣的系統是以有監督的方式訓練來識別特定類別的事物。在一個典型的檢查任務中，DNN可能會被訓練成視覺上識別一定數量的類別，比如通風閥的好壞圖片。假設它得到了大量高質量的數據，DNN將得出精確、低誤差、有信心的分類。

讓我們看一個識別好的和壞的通風閥的例子。只要閥門保持不變，所有制造商所要做的就是點擊“運行”按鈕，生產線的檢查就可以開始了。但是，如果生產線切換到一種新型閥門，則必須重新進行數據收集、培訓和部署。

爲了使傳統的深度學習成功，用於訓練的數據必須是“平衡的”。一個平衡的數據集包含有缺陷閥門的圖像和包含各種可能的缺陷類型的圖像一樣多。收集良好閥門的圖像很容易，但現代製造業的缺陷率非常低。這種情況使得收集有缺陷的圖像非常耗時，特別是當您需要收集每種類型缺陷的數百個圖像時。某些時候，事情會變得更加複雜 -- 在系統被訓練和部署之後，一種新的缺陷完全有可能再出現，這將要求系統被關閉、重新培訓和重新部署。由於大流行病帶來的消費者對產品的需求急劇波動，製造商有可能因停產而受損。

另一種“運行”按鈕
A Different Kind of “RUN” Button

對於我們前面描述的質量控制的傳統機器視覺過程，可能還有一個教訓可以借鑑。它的兩步過程有一個優勢：產品特性的變化比規則慢得多。由於通風閥的特性在不同的生產類型中持續存在，這種設置很好地符合製造的實際情況，但是必須隨着每一個新缺陷的產生而重新引入新的規則。

傳統上，每次必須包含新規則時，都必須重新訓練深度學習模型。爲了進行再訓練，新的缺陷必須用與之前所有缺陷相同數量的圖像來表示。所有的圖像必須放在一個數據庫中重新訓練系統，這樣它就可以學習所有舊規則和新規則。

爲了解決這一難題，另一類DNNs引起了研究人員的關注。這些新的DNNs以一種更加靈活的方式學習規則，以至於可以在不停止操作系統並將其從地板上取下的情況下學習新規則。

這些所謂的持續或終身學習系統，特別是終身深層神經網絡（lifelong deep neural networks，L-DNN）的靈感來自大腦神經生理學。這些深度學習算法將特徵訓練和規則訓練分開，能夠動態地添加新的規則信息。

雖然L-DDN仍在使用大量且平衡的數據集緩慢地學習特性，但L-DDN在這一階段並沒有學習規則。而且他們不需要所有已知閥門缺陷的圖像，只要對象具有相似的特徵（如曲線、邊、表面特性），數據集就可以相對通用。使用L-DNNs，這部分模型創建可以一次性完成，而無需製造商的幫助。

我們假設的閥門製造商需要知道的是：在特徵學習的第一步完成後，他們只需要提供一小組良好閥門的圖像，系統就可以學習一組定義好閥門的規則。沒有必要再提供任何缺陷閥門的圖像了。L-DNNs將學習僅使用“良好”數據（換句話說，關於良好通風閥的數據）的小型數據集的單一呈現，然後在遇到非典型產品時通知用戶。這種方法類似於人類用來發現他們每天遇到的對象差異的過程，這對我們來說是一項不費吹灰之力的任務，但在L-DNN系統出現之前，對於深度學習模型來說，這是一項非常困難的任務。

L-DNNs不需要數千種不同的圖像，而只需要少數圖像來訓練和建立對對象的原型理解。該系統可以在幾秒鐘內部署，並且在部署了L-DNN並按下了“運行”按鈕後，還可以收集到少數圖像，只要操作員確保這些圖像中沒有一個實際顯示有缺陷的產品。還可以實時更改定義原型對象的規則，以跟上生產線中的任何更改。

在當今的製造環境中，機器能夠以每分鐘超過60件產品的速度生產極爲多變的產品。新產品不斷推出，以前看不見的缺陷也會出現在生產線上。傳統的機器視覺無法解決這一問題 -- 每種產品都有太多的特殊特徵和閾值。

當按下由L-DNN系統驅動的質量控制軟件上的“運行”按鈕時，機器操作員可以降低優化質量檢驗的成本和時間，給製造業一個跟上創新步伐的戰鬥機會。今天，像IMA集團和Antares Vision這樣的全球製造商已經開始實施這樣的技術來幫助質量控制，我預計我們將看到許多其他製造商會開始效仿，以便在全球舞臺上保持競爭力。

作者簡介：Anatoli Gorchet是視覺人工智能公司Neurala的首席技術官和聯合創始人。他擁有20多年開發大規模並行神經計算軟件的經驗，是將圖形處理單元上的通用計算應用於神經建模的先驅。Anatoli擁有多項專利，撰寫了30多篇關於神經網絡的出版物，並就如何使用人工智能提高運營效率向《財富》500強企業提供建議。