人工智能視覺(jué)，就像用人工智能進(jìn)行圖像處理一樣，是一個(gè)高度討論的話題。然而，這種復(fù)雜的新技術(shù)的潛力還沒(méi)有在某些領(lǐng)域找到應(yīng)用，如工業(yè)應(yīng)用；因此，長(zhǎng)期的經(jīng)驗(yàn)值是有限的。

圖片來(lái)源：IDS Imaging Development Systems GmbH

盡管市場(chǎng)上有許多允許在工業(yè)環(huán)境中使用人工智能的嵌入式視覺(jué)系統(tǒng)，但許多設(shè)施運(yùn)營(yíng)商仍在猶豫是否要投資這些平臺(tái)之一并更新其應(yīng)用。然而，人工智能已經(jīng)展示了創(chuàng)新的可能性，在基于規(guī)則的圖像處理已經(jīng)沒(méi)有選擇，缺乏解決方案的地方。因此，問(wèn)題是，是什么阻礙了這項(xiàng)新技術(shù)的廣泛采用。

阻礙技術(shù)的主要因素之一是被稱為 "用戶友好性 "的障礙。任何人都應(yīng)該能夠創(chuàng)建自己的基于人工智能的圖像處理應(yīng)用程序，即使他們?nèi)狈θ斯ぶ悄芎蛻?yīng)用程序編程方面的專業(yè)知識(shí)。雖然人工智能可以加快各種工作流程并減少錯(cuò)誤來(lái)源，但邊緣計(jì)算可以消除昂貴的工業(yè)計(jì)算機(jī)和高速圖像數(shù)據(jù)傳輸所需的復(fù)雜基礎(chǔ)設(shè)施。

新的和不同的

然而，人工智能或機(jī)器學(xué)習(xí)（ML）的運(yùn)作方式與傳統(tǒng)的、基于規(guī)則的圖像處理相當(dāng)不同。這對(duì)如何接近和處理圖像處理任務(wù)有影響。

結(jié)果的質(zhì)量不再像以前那樣由圖像處理專家手動(dòng)生成的程序代碼控制，而是由采用足夠圖像數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程控制。

換句話說(shuō)，必須檢查的物體特征不再由指令預(yù)先定義，而是必須通過(guò)訓(xùn)練過(guò)程教給人工智能。此外，訓(xùn)練數(shù)據(jù)越多樣化，人工智能/ML算法就越有可能識(shí)別出以后操作中特別相關(guān)的品質(zhì)。

有了足夠的知識(shí)和經(jīng)驗(yàn)，看似簡(jiǎn)單的事情也能達(dá)到預(yù)期的目標(biāo)。如果用戶對(duì)相關(guān)的圖像數(shù)據(jù)沒(méi)有經(jīng)過(guò)訓(xùn)練的眼睛，這個(gè)應(yīng)用就會(huì)出現(xiàn)錯(cuò)誤。這意味著使用機(jī)器學(xué)習(xí)方法所需的能力與基于規(guī)則的圖像處理所需的能力不同。

此外，不是每個(gè)人都有時(shí)間或資源來(lái)從底層潛入這個(gè)主題，并發(fā)展一套新的基本技能來(lái)處理機(jī)器學(xué)習(xí)方法。新技術(shù)的最大問(wèn)題是透明度。如果它們能以較低的努力提供出色的結(jié)果，但卻不能輕易檢查，例如通過(guò)審查代碼，那么就很難相信和信任這樣的系統(tǒng)。

復(fù)雜且被誤解

邏輯思維表明，人們可能有興趣了解這種 AI 視覺(jué)是如何工作的。然而，如果沒(méi)有明確理解的可靠解釋，評(píng)估結(jié)果是困難的。獲得對(duì)新技術(shù)的信心通常建立在必須隨著時(shí)間的推移積累的技能和經(jīng)驗(yàn)之上，然后才能了解技術(shù)可以實(shí)現(xiàn)的全部潛力、它如何工作、如何應(yīng)用它以及如何適當(dāng)?shù)毓芾硭?/p>

讓事情變得更具挑戰(zhàn)性的是人工智能愿景正在與一個(gè)既定系統(tǒng)競(jìng)爭(zhēng)的概念，近年來(lái)通過(guò)知識(shí)、培訓(xùn)、文檔、軟件、硬件和開(kāi)發(fā)環(huán)境的實(shí)施，已經(jīng)為此創(chuàng)造了必要的環(huán)境條件。

缺乏對(duì)算法內(nèi)部工作原理的清晰洞察，以及難以理解的結(jié)果，是阻礙其擴(kuò)展的另一面。

（不是）黑匣子

神經(jīng)網(wǎng)絡(luò)有時(shí)會(huì)被誤解為一個(gè)無(wú)法理解判斷的黑匣子。

盡管 DL 模型無(wú)疑是復(fù)雜的，但它們并不是黑匣子。其實(shí)，叫它們玻璃盒子更準(zhǔn)確，因?yàn)槲覀兛梢詮淖置嫔峡蠢锩?，看看每個(gè)部件在做什么。

機(jī)器學(xué)習(xí)中的黑匣子隱喻

神經(jīng)網(wǎng)絡(luò)推理決策不是基于一套傳統(tǒng)的規(guī)則，它們的人工神經(jīng)元之間的動(dòng)態(tài)相互作用起初可能對(duì)人類(lèi)來(lái)說(shuō)具有挑戰(zhàn)性，但它們?nèi)匀皇菙?shù)學(xué)系統(tǒng)的明確結(jié)果，因此可重現(xiàn)且易于解釋。

目前缺乏的是促進(jìn)適當(dāng)評(píng)估的必要工具。人工智能的這個(gè)領(lǐng)域有很多進(jìn)步的機(jī)會(huì)。這也顯示了市場(chǎng)上可用的不同人工智能系統(tǒng)如何幫助用戶實(shí)現(xiàn)他們的目標(biāo)。

軟件讓人工智能變得可解釋

IDS Imaging Development GmbH 專注于開(kāi)發(fā)這一領(lǐng)域。IDS NXT 推理相機(jī)系統(tǒng)就是這樣的成果之一。使用所謂的混淆矩陣進(jìn)行統(tǒng)計(jì)調(diào)查可以構(gòu)建和解釋經(jīng)過(guò)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)的整體質(zhì)量。

在訓(xùn)練過(guò)程之后，可以使用先前確定的一組具有已知結(jié)果的圖像來(lái)驗(yàn)證網(wǎng)絡(luò)。在表格中，比較了預(yù)期結(jié)果和通過(guò)推理獲得的實(shí)際結(jié)果。這解釋了測(cè)試對(duì)象被成功或錯(cuò)誤識(shí)別為每個(gè)訓(xùn)練對(duì)象類(lèi)別的頻率。隨后可以根據(jù)生成的命中率提供經(jīng)過(guò)訓(xùn)練的算法的一般質(zhì)量。

此外，該矩陣清楚地說(shuō)明了識(shí)別精度在哪些方面可能仍不足以滿足生產(chǎn)應(yīng)用。但是，它沒(méi)有對(duì)這一結(jié)果提供詳細(xì)的解釋。

圖 1.分類(lèi)螺絲的混淆矩陣顯示了可以通過(guò)使用更多圖像進(jìn)行再訓(xùn)練來(lái)提高識(shí)別質(zhì)量的地方。圖片來(lái)源：IDS Imaging Development Systems GmbH

在這種情況下，注意力圖很有用，因?yàn)樗@示了一種熱圖，指示神經(jīng)網(wǎng)絡(luò)關(guān)注并用于指導(dǎo)決策的區(qū)域或圖像內(nèi)容。

這種可視化形式貫穿于 AI Vision Studio IDS NXT 燈塔的整個(gè)培訓(xùn)過(guò)程，與整個(gè)培訓(xùn)過(guò)程中建立的決策路徑相關(guān)；這使網(wǎng)絡(luò)能夠在分析仍在進(jìn)行的同時(shí)從每個(gè)圖像構(gòu)建熱圖。

這表明人工智能的基本或無(wú)法解釋的行為更容易掌握，從而促進(jìn)工業(yè)環(huán)境中對(duì)神經(jīng)網(wǎng)絡(luò)的更大接受度。

它還可用于識(shí)別和消除數(shù)據(jù)偏差，這些偏差會(huì)導(dǎo)致神經(jīng)網(wǎng)絡(luò)在推理過(guò)程中做出錯(cuò)誤的決定（見(jiàn)圖“注意力圖”）。

糟糕的輸入導(dǎo)致糟糕的輸出。人工智能系統(tǒng)識(shí)別模式和估計(jì)結(jié)果的能力取決于獲取相關(guān)數(shù)據(jù)，從中可以學(xué)習(xí)“正確的行為”。

如果 AI 在實(shí)驗(yàn)室中設(shè)計(jì)時(shí)使用的數(shù)據(jù)不是未來(lái)應(yīng)用的典型數(shù)據(jù)，或者更糟的是，如果數(shù)據(jù)中的模式暗示存在偏差，則系統(tǒng)將獲取并應(yīng)用這些先入之見(jiàn)。

圖 2.此熱圖顯示了典型的數(shù)據(jù)偏差。熱圖顯示了對(duì)香蕉的 Chiquita 標(biāo)簽的高度關(guān)注，因此是數(shù)據(jù)偏差的一個(gè)很好的例子。通過(guò)香蕉的虛假或代表性不足的訓(xùn)練圖像，所使用的 CNN 顯然了解到這個(gè) Chiquita 標(biāo)簽總是暗示香蕉。圖片來(lái)源：IDS Imaging Development Systems GmbH

軟件工具允許用戶追蹤 AI 視覺(jué)的行為和結(jié)果，并將其直接關(guān)聯(lián)回訓(xùn)練數(shù)據(jù)集中的弱點(diǎn)，并根據(jù)需要以有針對(duì)性的方式進(jìn)行調(diào)整。這使得每個(gè)人都更容易理解和解釋人工智能，因?yàn)樗举|(zhì)上只是統(tǒng)計(jì)和數(shù)學(xué)。

理解數(shù)學(xué)并在算法中理解它并不總是那么簡(jiǎn)單，但是像混淆矩陣和熱圖這樣的工具可以使決策和對(duì)決策的解釋可見(jiàn)并因此易于理解。

這只是開(kāi)始

人工智能視覺(jué)在有效使用時(shí)能夠增強(qiáng)各種視覺(jué)過(guò)程。然而，僅靠硬件和軟件不足以讓行業(yè)擁抱人工智能。制造商經(jīng)常被要求以用戶友好的軟件和指導(dǎo)個(gè)人的內(nèi)置程序的形式分享他們的知識(shí)。

人工智能要趕上基于規(guī)則的成像應(yīng)用領(lǐng)域的最佳實(shí)踐還有很長(zhǎng)的路要走，這是多年努力和應(yīng)用的結(jié)果，通過(guò)廣泛的文檔、知識(shí)轉(zhuǎn)移和多種軟件建立忠實(shí)的客戶群工具。好消息是，此類(lèi)人工智能系統(tǒng)和支持工具已經(jīng)在開(kāi)發(fā)中。

目前還正在建立標(biāo)準(zhǔn)和認(rèn)證，以提高可接受性并使理解 AI 變得足夠簡(jiǎn)單以呈現(xiàn)在大桌子上。IDS 正在為此提供協(xié)助。

借助 IDS NXT，任何用戶組都可以快速有效地將集成 AI 系統(tǒng)用作工業(yè)工具——即使沒(méi)有廣泛了解圖像處理、機(jī)器學(xué)習(xí)或應(yīng)用程序編程。