隨著人工智能(AI)和深度學習改變了我們創造商品的方式以及質量檢測的方式，制造業正在發生翻天覆地的變化。新的深度學習技術、軟件、并行處理的強大功能和易用性工具的結合是這一轉變的核心。

　　傳統的圖像處理軟件依賴于特定于任務的算法，而深度學習軟件使用多層網絡來實現預訓練或用戶訓練的算法來識別好壞圖像或區域。傳統上，需要數百甚至數千張高質量的手動分類圖像來訓練系統并創建一個模型，以創建一個能以高度可預測性對物體進行分類的模型。事實證明，僅僅收集這種類型的數據集就是一個障礙，阻礙了深度學習在主流制造環境中的采用。

　　新技術的進步使制造商更容易將深度學習作為檢測過程的一部分。今天，我們訓練深度學習系統時，不良圖像更少，甚至沒有。雖然用于機器視覺的深度學習軟件已經存在了十多年，但現在它變得更加用戶友好和實用。因此，制造商正在從試驗深度學習軟件轉向實施它。

　　深度學習與傳統方法的比較

　　深度學習非常適合傳統圖像處理方法難以完成的任務。適合深度學習的典型環境是光照、噪聲、形狀、顏色和紋理等變量較多的環境。例如，在食品檢測中，幾乎沒有兩塊面包是完全相同的。每塊面包的成分相同，重量相同，但形狀、顏色和質地可能略有不同，但仍在正常范圍內。

　　另一個例子是蘋果的成熟度。成熟度可以是指顏色、柔軟度或質地;然而，蘋果被認為成熟的可能性是有一定范圍的。正是在這些類型的環境中，深度學習可以大顯身手。其他示例包括檢查表面光潔度質量、確認套件中是否存在多個項目、檢測異物等，以確保整個裝配過程的質量。

　　顯示深度學習優勢的一個實際例子是對金屬等紋理表面進行劃痕檢測。其中一些劃痕的亮度較低，其對比度與紋理背景本身的對比度處于同一數量級。傳統技術通常無法可靠地定位這類缺陷，尤其是當不同樣本的形狀、亮度和對比度各不相同時。圖 1 展示了金屬板上的劃痕檢測。缺陷通過熱圖清晰顯示，熱圖是一種偽彩色圖像，突出顯示了缺陷位置的像素。

　　缺陷檢測的另一個例子是對復雜部件進行好壞分類的能力。例如，金屬螺絲是一種表面變化很大的物體，傳統算法很難將其缺陷分離出來。深度學習算法非常擅長檢測這類物體。

　　使用簡單分類進行缺陷檢測

　　盡管深度學習比傳統的圖像處理技術更具優勢，但挑戰確實存在。首先，許多用戶缺乏對通過深度學習取得成功所需的條件的理解。其次，直到最近，深度學習還需要一個龐大的數據集來訓練系統。

　　由于缺乏高質量的手動分類圖像，許多應用程序無法利用深度學習。在有大型數據集的情況下，下一個挑戰是標記每張圖像。這種標記可能是一項艱巨的任務，因為它必須由專家完成，并且需要沒有錯誤。如果存在大量的類別(不同的組別，每個組別都有唯一的標簽)，就很容易出錯。

　　細微的標簽錯誤是AI工具無法達到令人滿意的性能的原因之一。在意識到失敗是由于原始數據集中的錯誤標注造成的之前，人們會痛苦地發現浪費了大量時間。事實上，正確的數據集是特定系統中最重要的項目，通常被用戶視為專有知識產權。

　　典型的深度學習應用需要數百甚至數千個圖像樣本。在更具挑戰性或自定義應用程序中，訓練模型可能需要多達一百萬個或更多的圖像樣本。即使你可以得到足夠的圖像，你也必須確保你有正確的“好”和“壞”圖像組合，以滿足訓練模型的參數。

　　為了從訓練模型中獲得預期結果，您需要一個平衡的數據集。這種同時使用好樣本和壞樣本的訓練方式被稱為缺陷檢測，也被認為是一種簡單的分類器。

　　要驗證訓練模型是否準確，您需要使用一組新圖像測試模型。如果模型接近訓練集模型，則表示該模型具有很好的泛化性。如果模型在測試集上表現不佳，這往往反映出模型記住了所有訓練情況，而沒有了解圖像的好壞因素，這被稱為過度訓練或過度擬合。如果測試集表現更好，則訓練集可疑(可能是由于分布不良)，或者測試集太小。這種方法稱為監督學習。

　　一種新的深度學習技術：異常檢測

　　有些應用可能只有很好的例子。在許多生產環境中，在許多生產環境中，我們看到的是可以接受的情況，但永遠無法確定所有可能導致廢品的情況。在某些情況下，可能會以非常低的概率發生獨特的新廢品事件，但這仍然是不可接受的。

　　過去，由于缺乏不良示例，這些類型的應用無法有效地部署深度學習。現在情況發生了變化，新工具使制造商能夠擴展從深度學習中受益的應用范圍。

　　有一種新的分類技術叫做異常檢測，在這種模式下，只有好的示例才能訓練網絡，網絡會識別出被認為是正常的內容，并將該數據集之外的任何內容識別為異常。如果你把“好例子”數據集放在一個圖表上，它看起來像一個斑點。落在斑點內的任何東西都被歸類為正常，而落在斑點之外的任何東西都被歸類為異常。圖 1 和圖 2 中所示的例子都可以在只有少數甚至沒有不良樣本可用于訓練的情況下通過異常檢測進行求解。

　　異常檢測工具現已推出，可以將深度學習擴展到以前無法利用其優勢的新應用中。異常檢測的加入有助于減少訓練系統所需的工程工作量。如果擁有數據，非圖像處理專家也能訓練系統，同時大幅降低成本。例如，Teledyne DALSA的Astrocyte軟件就是一款基于深度學習算法的訓練工具，包括分類、異常檢測、物體檢測、分割和降噪。

　　采用深度學習進行缺陷檢測

　　無論是使用簡單的分類器還是異常檢測算法來實現制造環境中的檢測，都必須使用最小的樣本集來訓練神經網絡。如前所述，異常檢測允許使用不平衡的數據集，通常包括比壞樣本多得多的好樣本。但無論如何平衡，這些樣本都需要標記為好或壞，并輸入到神經網絡訓練器中。基于GUI的訓練工具是一種將數據集提供給神經網絡的簡單方法，同時允許您以圖形方式標記圖像。

　　圖3展示了Astrocyte軟件中的分類訓練，其中所有樣本都以縮略圖的形式列出。對于每個樣本，縮略圖周圍的矩形指定標簽(即好或壞)，這些信息由用戶在訓練時編輯。自動執行此過程的一種簡單方法是將樣本放在兩個不同的文件夾(好的和壞的)中，并使用文件夾名稱作為標簽。

　　訓練數據集時要考慮的另一個重要方面是保留這些樣本的一部分進行測試。在實踐中，一個好的規則是分配 80% 的數據集用于訓練，而將剩余的 20% 用于測試。與訓練樣本不同，測試樣本通過神經網絡進行測試，而不會影響網絡的權重。訓練和測試樣本組對于開發在生產中表現良好的適當訓練模型非常重要。

　　一旦創建并標記了訓練集，就可以開始訓練過程。訓練參數稱為超參數(與“參數”相對，“參數”是神經網絡的實際權重)。最常見的超參數包括學習率，它告訴算法收斂到解決方案的速度，周期數，它決定了訓練過程中的迭代次數，批處理大小，它選擇一次處理多少個樣本，以及模型架構選擇該選項來解決問題。用于簡單分類的模型架構的一個常見示例是 ResNet，它是一種卷積神經網絡，是分類問題(如缺陷檢測)中常用的模型架構。

　　超參數配置完成后(好的訓練工具提供了在實踐中效果很好的默認值)，訓練過程就可以啟動了。訓練時間從幾分鐘到幾小時不等，具體取決于數據集中的樣本數量、超參數以及 GPU 卡的功率/內存。在訓練期間，您可以監控兩個基本指標：損失函數和準確性。損失函數顯示了當前模型預測(神經網絡的輸出)和期望(基本事實)之間的差異。

　　在訓練過程中，這些損失函數應趨向 0。如果它們出現分歧，您可能必須取消訓練會話，并使用不同的超參數重新啟動它。準確度表示您的模型在正確分類樣本方面有多好。在訓練期間，該指標應達到100%。在實踐中，你很少會達到100%，但通常在95%到99%之間。圖4描繪了在星形膠質細胞中訓練時的損失函數和準確性圖。

　　在訓練以可接受的精度完成訓練后，您的模型就可以在生產中使用了。將模型應用于真實樣本稱為推理。推理可以在使用GPU卡的PC上實現，也可以在使用并行處理引擎的嵌入式設備上實現。根據應用所需的尺寸、重量和功耗，可以使用各種技術在嵌入式設備(如 GPU、FPGA 和專用神經處理器)上實現深度學習。

　　深度學習比以往任何時候都更加人性化和實用，使更多的應用能夠從中受益。深度學習軟件已經改進到可以比任何傳統算法更好地分類圖像的地步，并且可能很快就能超過人類檢查員。