| 作者：Johanna Pingel，MathWorks

隨著各類數(shù)據(jù)日益豐富可得，并且有越來越多的工具支持從數(shù)據(jù)處理到部署的整個工作流，AI 模型的重要性已不再局限于機器人和自動駕駛等為人熟知的傳統(tǒng)應(yīng)用，而是正朝著各個領(lǐng)域不斷拓展。

為了開發(fā) AI 驅(qū)動的產(chǎn)品，工程師需要將 AI 嵌入到整個系統(tǒng)設(shè)計工作流。此工作流包括四個主要步驟：

數(shù)據(jù)準(zhǔn)備

AI 建模

仿真和測試

部署

AI 工作流的各個步驟。每一步都建立在前一步的基礎(chǔ)上，包括建立 AI 模型以嵌入到完整的 AI 系統(tǒng)中。

盡管這一工作流適用于各個應(yīng)用領(lǐng)域的大多數(shù)工程項目，但最終取得的成果卻可能大不相同，以下示例就展示了這一點。

1.自動缺陷檢測

自動化檢查和缺陷檢測對于生產(chǎn)系統(tǒng)中的高吞吐量質(zhì)量控制至關(guān)重要。檢查和缺陷檢測系統(tǒng)在許多行業(yè)中用于檢測制造表面上的缺陷。部署的 AI 缺陷檢測算法可能比圖像處理等傳統(tǒng)方法更快、更穩(wěn)定。

一種簡單的 CNN 架構(gòu)。從圖像中自動學(xué)習(xí)特征以識別不同類的對象，在本例中是正常零件和有缺陷的零件。

空客公司建立了 AI 模型來自動檢測飛機管道中的缺陷。他們采取不同的光照條件、角度和位置對飛機上的管道錄制視頻。在標(biāo)注視頻數(shù)據(jù)后，他們設(shè)計并訓(xùn)練深度學(xué)習(xí)網(wǎng)絡(luò)，該網(wǎng)絡(luò)使用語義分割等方法來識別通風(fēng)孔和線路在管道上的位置。用戶界面實時顯示缺陷檢測結(jié)果。

2.MEG 信號的解碼

在 AI 系統(tǒng)工作流中使用信號數(shù)據(jù)有其特殊難點。工程師很少直接將原始信號數(shù)據(jù)輸入到 AI 模型中，因為信號數(shù)據(jù)往往含有噪聲并且占用大量內(nèi)存。

較為常見的做法是采用時頻方法來變換數(shù)據(jù)，以計算可供模型學(xué)習(xí)的最重要的特征。

工程師可以通過多種方式為 AI 模型的輸入進(jìn)行數(shù)據(jù)轉(zhuǎn)換。例如，他們可以使用小波散射將原始信號數(shù)據(jù)轉(zhuǎn)換為“圖像”。

可以使用各種方法來變換信號數(shù)據(jù)。然后，可以在 CNN 架構(gòu)中使用這些圖像，通過深度學(xué)習(xí)對信號數(shù)據(jù)進(jìn)行分類。

對于晚期肌萎縮側(cè)索硬化 (ALS) 患者，隨著病情的發(fā)展，交流變得越來越困難。德克薩斯大學(xué)奧斯汀分校的研究人員開發(fā)了一種非侵入性技術(shù)，該技術(shù)使用小波和深度神經(jīng)網(wǎng)絡(luò)對腦磁圖 (MEG) 信號進(jìn)行解碼，并在患者想象說出整句話時可以檢測到整句話。

研究人員使用小波多分辨率分析對 MEG 信號進(jìn)行去噪和分解，使之成為特定的神經(jīng)振蕩帶。

他們從去噪和分解的信號中提取特征，并使用這些特征來訓(xùn)練支持向量機 (SVM) 和淺層人工神經(jīng)網(wǎng)絡(luò) (ANN)。

然后，該團(tuán)隊自定義了三種預(yù)訓(xùn)練的深度卷積神經(jīng)網(wǎng)絡(luò)——AlexNet、ResNet 和 Inception-ResNet——來對 MEG 信號進(jìn)行解碼，從而將分類準(zhǔn)確度從 80% 提高到 96% 以上。

3.基于雷達(dá)的目標(biāo)檢測

在自動駕駛汽車中，相比相機，基于雷達(dá)的系統(tǒng)可以在夜間、惡劣天氣和相對較遠(yuǎn)的距離更好地檢測行人和其他目標(biāo)。AI 分類算法可用于雷達(dá)信號，以根據(jù)特征識別不同的目標(biāo)組。

雷達(dá)信號轉(zhuǎn)換為頻譜圖，用于對三個具有不同特征的目標(biāo)進(jìn)行分類。

為了實現(xiàn)此功能，PathPartner 的雷達(dá)團(tuán)隊開發(fā)了基于雷達(dá)點云檢測的分類器。他們在嵌入式平臺上實現(xiàn)該分類器，并在實際測試場景中進(jìn)行驗證。

在早期測試中，分類器需要 5-8 秒才能檢測到人——時間太長，效果不佳。該團(tuán)隊將幀率從每秒 3 幀增加到了每秒 5 幀，創(chuàng)建了一組新特征(這些特征是前一組特征的滑動平均值)，解決了延遲問題。通過測試和快速設(shè)計迭代，他們實現(xiàn)了 99% 的目標(biāo)檢測準(zhǔn)確度。

4.預(yù)測性維護(hù)

對于依賴機器進(jìn)行制造和生產(chǎn)的公司來說，機器故障會導(dǎo)致停機，代價不容小覷。

部署運行狀態(tài)監(jiān)控和預(yù)測性維護(hù)系統(tǒng)可以最大限度地降低這些成本和提高效率。

預(yù)測性維護(hù)應(yīng)用使用高級統(tǒng)計和機器學(xué)習(xí)算法，在機器出現(xiàn)故障之前識別這些潛在故障。

Mondi Gronau 的塑料生產(chǎn)工廠每年生產(chǎn)約 1800 萬噸塑料和薄膜產(chǎn)品。該工廠的 900 名員工一年 365 天、每天 24 小時操作大約 60 臺塑料噴注、印刷、涂膠和卷繞機器。

Mondi 開發(fā)了運行狀況監(jiān)控和預(yù)測性維護(hù)應(yīng)用程序，可基于機器學(xué)習(xí)模型進(jìn)行預(yù)測。借助該應(yīng)用程序，設(shè)備操作人員會在潛在故障發(fā)生之前收到警告。

Mondi 創(chuàng)建了該應(yīng)用程序的獨立可執(zhí)行版本，現(xiàn)已投入工廠生產(chǎn)中使用。

使用分類學(xué)習(xí)器診斷故障，該 App 會比較各種機器學(xué)習(xí)算法，以在部署前確定最準(zhǔn)確的模型。

原文標(biāo)題：應(yīng)用示例 | AI 算法的 4 項成熟應(yīng)用

文章出處：【微信公眾號：MATLAB】歡迎添加關(guān)注!文章轉(zhuǎn)載請注明出處。

審核編輯：湯梓紅