一、什么是視覺檢測中的深度學(xué)習(xí)？

在深度學(xué)習(xí)算法出來之前，對于視覺算法來說，大致可以分為以下5個(gè)步驟：特征感知，圖像預(yù)處理，特征提取，特征篩選，推理預(yù)測與識(shí)別。早期的機(jī)器學(xué)習(xí)中，占優(yōu)勢的統(tǒng)計(jì)機(jī)器學(xué)習(xí)群體中，對特征是不大關(guān)心的。

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)技術(shù)的一個(gè)方面，由人工神經(jīng)網(wǎng)絡(luò)提供支持。深度學(xué)習(xí)技術(shù)的工作原理是教機(jī)器通過實(shí)例學(xué)習(xí)。通過為神經(jīng)網(wǎng)絡(luò)提供特定類型數(shù)據(jù)的標(biāo)記示例，可以提取這些示例之間的共同模式，然后將其轉(zhuǎn)換為數(shù)學(xué)方程。這有助于對未來的信息進(jìn)行分類。

通過視覺檢測技術(shù)，深度學(xué)習(xí)算法的集成可以區(qū)分零件、異常和字符，在運(yùn)行計(jì)算機(jī)化系統(tǒng)的同時(shí)模擬人類視覺檢測。

那么，這到底是什么意思呢？舉個(gè)例子。

如果要為汽車制造創(chuàng)建視覺檢測軟件，你應(yīng)該開發(fā)一種基于深度學(xué)習(xí)的算法，并使用必須檢測的缺陷示例對其進(jìn)行訓(xùn)練。有了足夠的數(shù)據(jù)，神經(jīng)網(wǎng)絡(luò)最終會(huì)在沒有任何額外指令的情況下檢測缺陷。

基于深度學(xué)習(xí)的視覺檢測系統(tǒng)擅長檢測性質(zhì)復(fù)雜的缺陷。它們不僅可以解決復(fù)雜的表面和外觀缺陷，還可以概括和概念化汽車零件的表面。

仿生學(xué)角度看深度學(xué)習(xí)

如果不手動(dòng)設(shè)計(jì)特征，不挑選分類器，有沒有別的方案呢？能不能同時(shí)學(xué)習(xí)特征和分類器？即輸入某一個(gè)模型的時(shí)候，輸入只是圖片，輸出就是它自己的標(biāo)簽。比如輸入一個(gè)明星的頭像，出來的標(biāo)簽就是一個(gè)50維的向量（如果要在50個(gè)人里識(shí)別的話），其中對應(yīng)明星的向量是1，其他的位置是0。

這種設(shè)定符合人類腦科學(xué)的研究成果。

1981年諾貝爾醫(yī)學(xué)生理學(xué)獎(jiǎng)?lì)C發(fā)給了David Hubel，一位神經(jīng)生物學(xué)家。他的主要研究成果是發(fā)現(xiàn)了視覺系統(tǒng)信息處理機(jī)制，證明大腦的可視皮層是分級(jí)的。他的貢獻(xiàn)主要有兩個(gè)，一是他認(rèn)為人的視覺功能一個(gè)是抽象，一個(gè)是迭代。抽象就是把非常具體的形象的元素，即原始的光線像素等信息，抽象出來形成有意義的概念。這些有意義的概念又會(huì)往上迭代，變成更加抽象，人可以感知到的抽象概念。

像素是沒有抽象意義的，但人腦可以把這些像素連接成邊緣，邊緣相對像素來說就變成了比較抽象的概念；邊緣進(jìn)而形成球形，球形然后到氣球，又是一個(gè)抽象的過程，大腦最終就知道看到的是一個(gè)氣球。

模擬人腦識(shí)別人臉，也是抽象迭代的過程，從最開始的像素到第二層的邊緣，再到人臉的部分，然后到整張人臉，是一個(gè)抽象迭代的過程。

再比如看到圖片中的摩托車，我們可能在腦子里就幾微秒的時(shí)間，但是經(jīng)過了大量的神經(jīng)元抽象迭代。對計(jì)算機(jī)來說最開始看到的根本也不是摩托車，而是RGB圖像三個(gè)通道上不同的數(shù)字。

所謂的特征或者視覺特征，就是把這些數(shù)值給綜合起來用統(tǒng)計(jì)或非統(tǒng)計(jì)的形式，把摩托車的部件或者整輛摩托車表現(xiàn)出來。深度學(xué)習(xí)的流行之前，大部分的設(shè)計(jì)圖像特征就是基于此，即把一個(gè)區(qū)域內(nèi)的像素級(jí)別的信息綜合表現(xiàn)出來，利于后面的分類學(xué)習(xí)。

如果要完全模擬人腦，我們也要模擬抽象和遞歸迭代的過程，把信息從最細(xì)瑣的像素級(jí)別，抽象到“種類”的概念，讓人能夠接受。

卷積的概念

計(jì)算機(jī)視覺里經(jīng)常使卷積神經(jīng)網(wǎng)絡(luò)，即CNN，是一種對人腦比較精準(zhǔn)的模擬。

什么是卷積？卷積就是兩個(gè)函數(shù)之間的相互關(guān)系，然后得出一個(gè)新的值，他是在連續(xù)空間做積分計(jì)算，然后在離散空間內(nèi)求和的過程。實(shí)際上在計(jì)算機(jī)視覺里面，可以把卷積當(dāng)做一個(gè)抽象的過程，就是把小區(qū)域內(nèi)的信息統(tǒng)計(jì)抽象出來。

比如，對于一張愛因斯坦的照片，我可以學(xué)習(xí)n個(gè)不同的卷積和函數(shù)，然后對這個(gè)區(qū)域進(jìn)行統(tǒng)計(jì)?？梢杂貌煌姆椒ńy(tǒng)計(jì)，比如著重統(tǒng)計(jì)中央，也可以著重統(tǒng)計(jì)周圍，這就導(dǎo)致統(tǒng)計(jì)的和函數(shù)的種類多種多樣，為了達(dá)到可以同時(shí)學(xué)習(xí)多個(gè)統(tǒng)計(jì)的累積和。

上圖中是，如何從輸入圖像怎么到最后的卷積，生成的響應(yīng)map。首先用學(xué)習(xí)好的卷積和對圖像進(jìn)行掃描，然后每一個(gè)卷積和會(huì)生成一個(gè)掃描的響應(yīng)圖，我們叫response map，或者叫feature map。如果有多個(gè)卷積和，就有多個(gè)feature map。也就說從一個(gè)最開始的輸入圖像（RGB三個(gè)通道）可以得到256個(gè)通道的feature map，因?yàn)橛?56個(gè)卷積和，每個(gè)卷積和代表一種統(tǒng)計(jì)抽象的方式。

在卷積神經(jīng)網(wǎng)絡(luò)中，除了卷積層，還有一種叫池化的操作。池化操作在統(tǒng)計(jì)上的概念更明確，就是一個(gè)對一個(gè)小區(qū)域內(nèi)求平均值或者求最大值的統(tǒng)計(jì)操作。

帶來的結(jié)果是，如果之前我輸入有兩個(gè)通道的，或者256通道的卷積的響應(yīng)feature map，每一個(gè)feature map都經(jīng)過一個(gè)求最大的一個(gè)池化層，會(huì)得到一個(gè)比原來feature map更小的256的feature map。

在上面這個(gè)例子里，池化層對每一個(gè)2X2的區(qū)域求最大值，然后把最大值賦給生成的feature map的對應(yīng)位置。如果輸入圖像是100×100的話，那輸出圖像就會(huì)變成50×50，feature map變成了一半。同時(shí)保留的信息是原來2X2區(qū)域里面最大的信息。

操作的實(shí)例：LeNet網(wǎng)絡(luò)

Le顧名思義就是指人工智能領(lǐng)域的大牛Lecun。這個(gè)網(wǎng)絡(luò)是深度學(xué)習(xí)網(wǎng)絡(luò)的最初原型，因?yàn)橹暗木W(wǎng)絡(luò)都比較淺，它較深的。LeNet在98年就發(fā)明出來了，當(dāng)時(shí)Lecun在AT&T的實(shí)驗(yàn)室，他用這一網(wǎng)絡(luò)進(jìn)行字母識(shí)別，達(dá)到了非常好的效果。

怎么構(gòu)成呢？輸入圖像是32×32的灰度圖，第一層經(jīng)過了一組卷積和，生成了6個(gè)28X28的feature map，然后經(jīng)過一個(gè)池化層，得到得到6個(gè)14X14的feature map，然后再經(jīng)過一個(gè)卷積層，生成了16個(gè)10X10的卷積層，再經(jīng)過池化層生成16個(gè)5×5的feature map。

從最后16個(gè)5X5的feature map開始，經(jīng)過了3個(gè)全連接層，達(dá)到最后的輸出，輸出就是標(biāo)簽空間的輸出。由于設(shè)計(jì)的是只要對0到9進(jìn)行識(shí)別，所以輸出空間是10，如果要對10個(gè)數(shù)字再加上26個(gè)大小字母進(jìn)行識(shí)別的話，輸出空間就是62。62維向量里，如果某一個(gè)維度上的值最大，它對應(yīng)的那個(gè)字母和數(shù)字就是就是預(yù)測結(jié)果。

壓在駱駝身上的最后一根稻草

從98年到本世紀(jì)初，深度學(xué)習(xí)興盛起來用了15年，但當(dāng)時(shí)成果泛善可陳，一度被邊緣化。到2012年，深度學(xué)習(xí)算法在部分領(lǐng)域取得不錯(cuò)的成績，而壓在駱駝身上最后一根稻草就是AlexNet。

AlexNet由多倫多大學(xué)幾個(gè)科學(xué)家開發(fā)，在ImageNet比賽上做到了非常好的效果。當(dāng)時(shí)AlexNet識(shí)別效果超過了所有淺層的方法。此后，大家認(rèn)識(shí)到深度學(xué)習(xí)的時(shí)代終于來了，并有人用它做其它的應(yīng)用，同時(shí)也有些人開始開發(fā)新的網(wǎng)絡(luò)結(jié)構(gòu)。

其實(shí)AlexNet的結(jié)構(gòu)也很簡單，只是LeNet的放大版。輸入是一個(gè)224X224的圖片，是經(jīng)過了若干個(gè)卷積層，若干個(gè)池化層，最后連接了兩個(gè)全連接層，達(dá)到了最后的標(biāo)簽空間。

去年，有些人研究出來怎么樣可視化深度學(xué)習(xí)出來的特征。那么，AlexNet學(xué)習(xí)出的特征是什么樣子？在第一層，都是一些填充的塊狀物和邊界等特征；中間的層開始學(xué)習(xí)一些紋理特征；更高接近分類器的層級(jí)，則可以明顯看到的物體形狀的特征。

最后的一層，即分類層，完全是物體的不同的姿態(tài)，根據(jù)不同的物體展現(xiàn)出不同姿態(tài)的特征了。

可以說，不論是對人臉，車輛，大象或椅子進(jìn)行識(shí)別，最開始學(xué)到的東西都是邊緣，繼而就是物體的部分，然后在更高層層級(jí)才能抽象到物體的整體。整個(gè)卷積神經(jīng)網(wǎng)絡(luò)在模擬人的抽象和迭代的過程。

二、如何集成AI視覺檢測系統(tǒng)

1. 明確需求：

視覺檢測開發(fā)通常從業(yè)務(wù)和技術(shù)分析開始。這里的目標(biāo)是確定系統(tǒng)應(yīng)該檢測什么樣的缺陷。

需要提前明確的重要問題包括：

什么是AI視覺檢測系統(tǒng)的環(huán)境？

AI檢測應(yīng)該是實(shí)時(shí)的還是延時(shí)的？

AI視覺檢測應(yīng)該如何徹底檢測缺陷，是否應(yīng)該按類型區(qū)分？

是否有任何現(xiàn)有的軟件可以集成視覺檢測功能，還是需要從頭開始開發(fā)？

系統(tǒng)應(yīng)如何將檢測到的缺陷通知用戶？

AI視覺檢測系統(tǒng)是否應(yīng)該記錄缺陷檢測統(tǒng)計(jì)數(shù)據(jù)？

關(guān)鍵問題是：是否存在用于深度學(xué)習(xí)模型開發(fā)的數(shù)據(jù)，包括“好”和“壞”產(chǎn)品的圖像以及不同類型的缺陷？

2. 收集和準(zhǔn)備數(shù)據(jù)：

在深度學(xué)習(xí)模型開發(fā)開始之前，數(shù)據(jù)科學(xué)工程師必須收集和準(zhǔn)備訓(xùn)練未來模型所需的數(shù)據(jù)。對于制造流程，實(shí)施物聯(lián)網(wǎng)數(shù)據(jù)分析非常重要。在談?wù)揂I視覺檢測模型時(shí)，數(shù)據(jù)通常是視頻記錄，其中視覺檢測模型處理的圖像包括視頻幀。數(shù)據(jù)收集有多種選擇，但最常見的是：

現(xiàn)有視頻記錄，適用于特定目的的開源視頻記錄，根據(jù)深度學(xué)習(xí)模型要求從頭開始收集數(shù)據(jù)。

這里最重要的參數(shù)是視頻記錄的質(zhì)量。更高質(zhì)量的數(shù)據(jù)將導(dǎo)致更準(zhǔn)確的結(jié)果。一旦我們收集了數(shù)據(jù)，我們就為建模做好準(zhǔn)備、清理、檢查異常并確保其相關(guān)性。

3. 開發(fā)深度學(xué)習(xí)模型

深度學(xué)習(xí)模型開發(fā)方法的選擇取決于任務(wù)的復(fù)雜性、所需的交付時(shí)間和預(yù)算限制。有幾種方法：

1）使用深度學(xué)習(xí)模型開發(fā)（例如：Google Cloud ML Engine、Amazon ML 等）

當(dāng)缺陷檢測功能的要求與給定服務(wù)提供的模板一致時(shí)，這種類型的方法是有意義的。這些服務(wù)可以節(jié)省時(shí)間和預(yù)算，因?yàn)闊o需從頭開始開發(fā)模型。只需要根據(jù)相關(guān)任務(wù)上傳數(shù)據(jù)并設(shè)置模型選項(xiàng)。

問題就是這些類型的模型不可定制。模型的功能僅限于給定服務(wù)提供的選項(xiàng)。

2） 使用預(yù)訓(xùn)練模型

預(yù)訓(xùn)練模型是一種已經(jīng)創(chuàng)建的深度學(xué)習(xí)模型，它可以完成與我們想要執(zhí)行的任務(wù)類似的任務(wù)。我們不必從頭開始構(gòu)建模型，因?yàn)樗褂没谟脩糇约旱臄?shù)據(jù)訓(xùn)練模型。

預(yù)訓(xùn)練模型可能不會(huì) 100% 符合我們的所有任務(wù)，但它可以節(jié)省大量時(shí)間和成本。使用之前在大型數(shù)據(jù)集上訓(xùn)練過的模型，用戶可以根據(jù)自己的問題定制這些解決方案。

3）從零開始深度學(xué)習(xí)模型開發(fā)

這種方法非常適用于復(fù)雜且安全的視覺檢測系統(tǒng)。這種方法可能需要大量時(shí)間和精力，但結(jié)果是值得的。

在開發(fā)自定義視覺檢測模型時(shí)，數(shù)據(jù)科學(xué)家會(huì)使用一種或多種計(jì)算機(jī)視覺算法。這些包括圖像分類、對象檢測和實(shí)例分割。

許多因素會(huì)影響深度學(xué)習(xí)算法的選擇。這些包括：

業(yè)務(wù)目標(biāo)；

物體/缺陷的大?。?/p>

光照條件；

檢驗(yàn)產(chǎn)品數(shù)量；

缺陷類型；

圖像分辨率；

假設(shè)我們正在開發(fā)用于建筑物質(zhì)量評(píng)估的目視檢查模型。主要重點(diǎn)是檢測墻壁上的缺陷。需要大量數(shù)據(jù)集才能獲得準(zhǔn)確的視覺檢查結(jié)果，因?yàn)槿毕蓊悇e可能非常多樣化，從油漆剝落和霉菌到墻壁裂縫。這里的最佳方法是從頭開始開發(fā)基于實(shí)例分割的模型。在某些情況下，預(yù)先訓(xùn)練的模型方法也是可行的。

4. 訓(xùn)練和評(píng)估

開發(fā)視覺檢測模型后的下一步是對其進(jìn)行訓(xùn)練。在這個(gè)階段，數(shù)據(jù)科學(xué)家驗(yàn)證和評(píng)估模型的性能和結(jié)果準(zhǔn)確性。測試數(shù)據(jù)集在這里很有用。對于視覺檢測系統(tǒng)，它可能是一組過已有的或類似于要在部署后處理的視頻資料。

5. 部署和改進(jìn)

在部署視覺檢測模型時(shí)，重要的是要考慮軟件和硬件系統(tǒng)架構(gòu)如何與模型容量對應(yīng)。

1）軟件

視覺檢測驅(qū)動(dòng)軟件的結(jié)構(gòu)基于用于數(shù)據(jù)傳輸?shù)?Web 解決方案和用于神經(jīng)網(wǎng)絡(luò)處理的 Python 框架的組合。這里的關(guān)鍵參數(shù)是數(shù)據(jù)存儲(chǔ)。有三種常見的數(shù)據(jù)存儲(chǔ)方式：在本地服務(wù)器、云服務(wù)或無服務(wù)器架構(gòu)上。

AI視覺檢測系統(tǒng)涉及視頻記錄的存儲(chǔ)。數(shù)據(jù)存儲(chǔ)解決方案的選擇通常取決于深度學(xué)習(xí)模型功能。例如，如果視覺檢測系統(tǒng)使用大型數(shù)據(jù)集，則最佳選擇可能是云服務(wù)。

2）硬件

根據(jù)行業(yè)和自動(dòng)化流程，集成視覺檢測系統(tǒng)所需的設(shè)備可能包括：

攝像頭。關(guān)鍵的攝像頭選項(xiàng)是實(shí)時(shí)視頻流。一些示例包括 IP Camera 和 CCTV。

網(wǎng)關(guān)。專用硬件設(shè)備和軟件程序都適用于視覺檢測系統(tǒng)。

CPU/GPU。如果需要實(shí)時(shí)結(jié)果，GPU 將是比 CPU 更好的選擇，因?yàn)榍罢咴诨趫D像的深度學(xué)習(xí)模型方面具有更快的處理速度?？梢詢?yōu)化 CPU 來運(yùn)行視覺檢查模型，但不能優(yōu)化用于訓(xùn)練。

光度計(jì)（可選）。根據(jù)視覺檢測系統(tǒng)環(huán)境的照明條件，可能需要使用光度計(jì)。

色度計(jì)（可選）。在檢測光源的顏色和亮度時(shí)，成像色度計(jì)始終具有高空間分辨率，可進(jìn)行詳細(xì)的AI視覺檢測。

熱像儀（可選）。在蒸汽/水管道和設(shè)施的自動(dòng)檢查的情況下，擁有熱像儀數(shù)據(jù)是個(gè)好主意。熱像儀數(shù)據(jù)為熱/蒸汽/水泄漏檢測提供了有價(jià)值的信息。熱像儀數(shù)據(jù)也可用于隔熱檢查。

無人機(jī)（可選）。如今，很難想象在沒有無人機(jī)的情況下對難以到達(dá)的區(qū)域進(jìn)行自動(dòng)檢查：建筑物內(nèi)部結(jié)構(gòu)、天然氣管道、油輪目視檢查、火箭/航天飛機(jī)檢查。無人機(jī)可能配備高分辨率相機(jī)，可以進(jìn)行實(shí)時(shí)缺陷檢測。

深度學(xué)習(xí)模型在部署后可以改進(jìn)。深度學(xué)習(xí)方法可以通過新數(shù)據(jù)的迭代收集和模型重新訓(xùn)練來提高神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確性。結(jié)果是一個(gè)“更智能”的視覺檢測模型，它通過增加操作期間的數(shù)據(jù)量來學(xué)習(xí)。

三、AI視覺檢測的應(yīng)用示例

通用安防：

適用于社區(qū)、樓宇、企業(yè)園區(qū)等場所的安防管理場景，如：人員進(jìn)出、車輛進(jìn)出、周界防范、危險(xiǎn)區(qū)域闖入、可疑徘徊等，提高場所的安全管理水平。

明廚亮灶：

基于多種算法（廚師帽/廚師服識(shí)別、抽煙識(shí)別、玩手機(jī)識(shí)別、垃圾桶未蓋檢測、動(dòng)火離人檢測、陌生人檢測、貓/狗/老鼠識(shí)別等），可以有效監(jiān)測餐飲行業(yè)后廚的食品安全、環(huán)境衛(wèi)生、四害防治等是否有違規(guī)或異常情況出現(xiàn)，并能實(shí)時(shí)發(fā)出告警信息。

森林防火：

可對前端設(shè)備采集的圖像、視頻等數(shù)據(jù)進(jìn)行實(shí)時(shí)風(fēng)險(xiǎn)監(jiān)測與煙火識(shí)別分析，根據(jù)火災(zāi)煙霧火焰特征，可準(zhǔn)確識(shí)別出煙霧、火焰、火點(diǎn)，并立即觸發(fā)告警。 智慧安監(jiān)：適用于企業(yè)安全生產(chǎn)監(jiān)管場景，如：工地、煤礦、?；贰⒓佑驼?、煙花爆竹、電力等行業(yè)，有助于降低生產(chǎn)過程中的安全隱患、保障生命財(cái)產(chǎn)安全。 智慧景區(qū)：適用于景區(qū)、公園等場景，可實(shí)時(shí)統(tǒng)計(jì)監(jiān)控范圍內(nèi)的人流量、預(yù)警人群擁擠事件、防止危險(xiǎn)區(qū)域有人員闖入、識(shí)別煙火等，助力景區(qū)智能化監(jiān)管。 智慧校園：可用于校園內(nèi)部及周邊的安防監(jiān)測場景，包括師生人臉門禁、車輛進(jìn)出、周界防范、翻越圍墻、危險(xiǎn)區(qū)域闖入、人員擁擠、異常聚集、煙火等。 區(qū)域安全監(jiān)測：適用于重點(diǎn)場所的安全監(jiān)測場景，如：政府機(jī)構(gòu)、軍事區(qū)域、機(jī)場、變電站、工業(yè)重地、看守所、農(nóng)場養(yǎng)殖等，監(jiān)測周界入侵、人員闖入、徘徊等事件。

無人值守：可用于野外遠(yuǎn)程監(jiān)控場景，如：水利、電力等，防范可疑人員靠近、人員破壞/偷盜設(shè)備、闖入危險(xiǎn)區(qū)域等，可聯(lián)動(dòng)語音等裝置進(jìn)行驅(qū)離提醒。 在崗離崗：可用于需要人員時(shí)刻在崗的監(jiān)測場景中，能實(shí)時(shí)檢測固定工作崗位的人員在崗離崗情況，當(dāng)檢測到離崗時(shí)，可立即觸發(fā)告警提醒。 加油站安全監(jiān)管：用于加油站安全監(jiān)管，對加油區(qū)、卸油區(qū)、儲(chǔ)油罐等區(qū)域進(jìn)行重點(diǎn)監(jiān)測，可對區(qū)域內(nèi)的安全風(fēng)險(xiǎn)，如：抽煙、打電話、煙火、靜電釋放等進(jìn)行告警提醒。 公共防疫：協(xié)助公共區(qū)域防疫工作的開展，實(shí)時(shí)監(jiān)測區(qū)域內(nèi)人員是否佩戴口罩，并可結(jié)合語音裝置發(fā)出提醒，可應(yīng)用于樓宇、商場、車站、公交、出租車、地鐵、廣場、景區(qū)、工廠、園區(qū)等場景。

審核編輯：郭婷