AI在工業(yè)檢測中的應用與發(fā)展，也對機器視覺行業(yè)產(chǎn)生重大影響
在過去幾年中，人工智能技術的蓬勃發(fā)展影響和改造了很多行業(yè)，也對機器視覺行業(yè)產(chǎn)生了重大影響。人工智能技術在圖像識別、特征提取和分類、缺陷檢測等方面具有巨大優(yōu)勢，為工業(yè)缺陷檢測提供了新的解決方案。有了人工智能的加持，機器視覺在對智能制造的自動化水平提升過程中能夠發(fā)揮更多的作用。
人工智能技術首先改變了視覺檢測系統(tǒng)的開發(fā)方式。傳統(tǒng)的視覺開發(fā)方式，是以有經(jīng)驗的算法工程師為主，針對每個具體場景，分析工件圖像，根據(jù)主要特征和經(jīng)驗來確定算法思路，調用專用的圖像處理庫，完成主要的圖像檢測算法?；谏疃葘W習的開發(fā)方式則完全不同，把以有經(jīng)驗的人為中心的開發(fā)方式，變成了流程化的操作步驟。前者以人為主，針對每一個場景需要有針對性的分析和設計，對人的要求較高；后者是統(tǒng)一的流程化操作，不同的應用場景，操作流程和步驟都是一樣的，這就大大降低了對人員的要求，降低了視覺開發(fā)的門檻，提高了視覺系統(tǒng)的開發(fā)效率，使其能夠覆蓋更多的場景和應用。
基于人工智能的視覺系統(tǒng)開發(fā)流程主要包括以下步驟：
1、采集圖像。好的成像質量，是視覺檢測系統(tǒng)成功的前提，這條傳統(tǒng)算法的要求，在今天的人工智能時代仍然適用。如何利用相機、光源及合理的打光方式，采集到高成像質量的圖像，使被檢測對象對人眼清晰可見，這仍是我們首先要重視和保證的，這是機器視覺部件的核心目標，也是光學系統(tǒng)的基礎，這些經(jīng)驗知識，今天仍然重要。
2、標注。標注是人工智能新增的要求，傳統(tǒng)算法沒有它。目前的人工智能在工業(yè)場景上的應用，主要還是基于遷移學習，預訓練模型需要針對碎片化、細分的工業(yè)應用場景做適配，那么就要求用戶告訴AI你要檢測的目標是什么，這是通過標注來完成的。你的標注，就是AI的學習目標。因此，標注質量會嚴重的影響AI學習和檢測的效果。標注的越準確，在學習充分的情況下，才有可能得到類似的檢測結果。好的標注數(shù)據(jù)集，是AI視覺檢測系統(tǒng)成功的前提。
3、訓練。訓練是深度卷積網(wǎng)絡對標注數(shù)據(jù)集進行學習，自主提取樣本圖像中的多種維度特征信息，綜合得到圖像的內在規(guī)律和多層次表示，以獲取分析預測能力，然后對驗證集數(shù)據(jù)做出預測，根據(jù)預測偏差反饋修正卷積網(wǎng)絡的參數(shù)和特征權重，以使預測結果不斷逼近標注信息（這也是為什么標注質量嚴重影響檢測質量的原因），從而實現(xiàn)檢測任務。精度和誤差是訓練過程中的兩個重要指標，視覺檢測系統(tǒng)中的兩個關鍵指標：誤檢率和漏檢率，和它們息息相關。
訓練停止后，可得到模型在驗證集上的驗證結果，如誤檢率和漏檢率等。若指標尚未達到檢測指標要求，則需分析可能影響檢測精度的因素，比如：數(shù)據(jù)標注質量（是否標全、標對、標準確），樣本數(shù)量是否足夠、是否均衡，訓練集與測試集數(shù)據(jù)分布是否一致，訓練迭代次數(shù)，深度學習訓練超參設置以及模型選擇等，可在修正這些因素之后，更新訓練以得到更好的結果；若指標符合檢測需求，則可進入下一環(huán)節(jié)。
訓練結束后，也可進一步在測試集上測試模型的表現(xiàn)，便于快速評估技術可行性。這也是基于人工智能檢測算法的優(yōu)勢之一，對于常見的檢測任務，通過標準化的流程，可以在短時間內（幾小時~幾天）完成技術可行性評估。
4、部署。把訓練好的模型部署到現(xiàn)場進行在線檢測，目前基于AI的檢測速度已經(jīng)和傳統(tǒng)算法檢測速度相當，如果同時處理多個相機的數(shù)據(jù)或多幅圖像，利用GPU的并行計算和網(wǎng)絡模型的批量推理，檢測速度可能更快。
上線之后，隨著檢測的進行，會得到各類別大量的圖像。在線檢測過程中若出現(xiàn)誤檢、漏檢情況，或者出現(xiàn)新的類別的曲線，可利用積攢的數(shù)據(jù)集對現(xiàn)有模型進行更新訓練，提高檢測精度。視覺系統(tǒng)長期運行后，隨著震動、灰塵、光源老化等因素會導致成像質量發(fā)生降低，進而影響檢測精度，利用積攢的大量的數(shù)據(jù)集對現(xiàn)有模型進行更新訓練，甚至會提高檢測系統(tǒng)的精度，讓視覺檢測系統(tǒng)越用越準，這也是基于人工智能的視覺檢測系統(tǒng)超越傳統(tǒng)視覺檢測系統(tǒng)的一個特點。
人工智能對視覺系統(tǒng)開發(fā)的影響，不僅體現(xiàn)在流程上，更重要的是功能和性能。人工智能強大的學習能力和綜合歸納能力，大大拓展和豐富了機器視覺的應用場景。目前，人工智能在機器視覺的主要應用有：
1、分類。圖像分類是深度學習的典型應用，是人工智能重新崛起的代表應用，在某些方面，甚至超過了人類的水平。比如，由于農(nóng)產(chǎn)品個體間存在天然的差異，使得農(nóng)產(chǎn)品的檢測、分級、采摘等應用的自動化水平一直不高。人工智能強大的分類能力，使視覺不僅能用于工業(yè)產(chǎn)品的合格性檢查和分級應用中，也已經(jīng)成功應用于農(nóng)產(chǎn)品的質檢、分級應用中。
2、目標檢測。目標檢測是機器視覺的成熟應用，在人工智能爆火之前，基于模板匹配的定位技術已經(jīng)廣泛應用，人工智能基于大數(shù)據(jù)的學習能力和強大的參數(shù)調節(jié)能力，使其更能兼容各種變化因素，如：紋理、材質、顏色、形狀、位置、方向、視角、光照、亮暗、位姿、變形、涂污、遮擋、縮放、濃淡、模糊、噪聲、扭曲等，拓展了目標檢測應用的范圍。
3、分割。實際應用中，往往需要得到缺陷的位置、面積、長寬等參數(shù)，以做后續(xù)處理。傳統(tǒng)的缺陷分割算法多基于灰度、對比度、輪廓，提取這些特征需要長時間的參數(shù)調節(jié)且魯棒性不高，直接的后果就是現(xiàn)場調試周期過長，人工智能可通過更新訓練模型減少現(xiàn)場調試周期。
4、字符檢測與識別。與目標檢測類似，字符檢測與識別也是久已有之。但深度學習使中文字符檢測與識別、手寫體等非標準字體識別的準確度提升了不止一個臺階。目前，基于深度學習的字符檢測與識別精度已完全超過傳統(tǒng)算法，成為此類應用的首選。
5、無監(jiān)督學習。深度學習，首先需要有大量的缺陷樣本進行學習。而在工業(yè)制造領域，隨著生產(chǎn)工藝和自動化生產(chǎn)水平的提升（這里面也有機器視覺的重要貢獻），產(chǎn)品的良率不斷提升，99.%甚至99.9%，在短時間內獲取到足夠的缺陷樣本往往比較困難，尤其當存在多種缺陷類別時。這就給人工智能的落地造成了困難?；诖耍岢隽藷o監(jiān)督學習。與人工檢測類似，人可以通過觀察合格產(chǎn)品后，就可以檢測缺陷產(chǎn)品。無監(jiān)督學習只學習合格產(chǎn)品圖像（這很容易獲得），提取合格產(chǎn)品圖像的內在規(guī)律和多層次特征表示；檢測時，提取檢測圖像的特征，與合格產(chǎn)品的特征進行比對，不一致的地方就是異常，由此完成檢測。無監(jiān)督學習，既降低了對缺陷樣本的要求，又省去了標注工作量，與此同時，工業(yè)制品的一致性又非常高，是工業(yè)AI的新興方向之一。
時至今日，人工智能在工業(yè)領域已經(jīng)不是“行不行、能不能落地”的問題，而是已經(jīng)在多個場景下落地實用，并取得成功。如今面臨的問題是，針對工業(yè)場景中的應用特點，如何對已有的人工智能算法進行改進和發(fā)展，使其更好的為工業(yè)缺陷檢測服務。經(jīng)過這幾年的應用和實踐，人工智能和深度學習技術在工業(yè)缺陷檢測中仍然存在一些技術挑戰(zhàn)，需要通過不斷地研究和探索來解決。主要包括以下幾個方面：
1、數(shù)據(jù)采集和標注困難。工業(yè)缺陷檢測數(shù)據(jù)的采集和標注需要大量的人力和時間，而且數(shù)據(jù)質量對模型的性能影響很大。有些缺陷面積小、數(shù)量多、種類雜，全部標全工作量大，不標或漏標則會影響學習效果。因此，如何有效地采集和標注工業(yè)缺陷檢測數(shù)據(jù)是一個非常關鍵的問題。
2、訓練樣本的不平衡問題。有的工業(yè)制品表面形態(tài)多變，缺陷種類繁多，不同種類缺陷的數(shù)量差別很大，導致訓練樣本的不平衡，這會影響模型的分類精度和魯棒性。除了通過設置不同類別權重和數(shù)據(jù)增廣等手段外，通過AIGC人工智能來自動生成缺陷樣本以輔助訓練也是一個重要的研究方向。
3、計算量。近年來，隨著相機硬件的快速發(fā)展，相機的分辨率大幅提升，千萬像素以上的相機應用非常普遍，與此同時精密制造水平的提升也對產(chǎn)品品質檢測提出了更高的要求，因此工業(yè)應用場景普通存在“圖像分辨率大、缺陷比較小”的情況，高分辨率圖像帶來的運算量幾何倍數(shù)的增加會導致計算復雜度非常高，對網(wǎng)絡學習以及訓練和推理使用的顯卡性能都提出了挑戰(zhàn)，進而造成了訓練效率的降低和成本的增加。因此，如何優(yōu)化算法和提高計算效率也是一個重要的研究方向。
4、漏檢率與誤檢率問題。這兩個指標是視覺檢測系統(tǒng)的核心指標，對應著人工智能算法的召回率和準確率，而后者在網(wǎng)絡學習過程中是等價存在的，但實際應用場景對二者的要求卻不盡相同。由于圖像數(shù)據(jù)的復雜性和噪聲的存在，工業(yè)缺陷檢測中仍然存在一定的漏檢和誤檢問題。而質檢環(huán)節(jié)對漏檢率要求是第一位的，不能讓缺陷產(chǎn)品流通到下一環(huán)節(jié)，造成進一步的損失；在保證漏檢率達標的條件下，再降低誤檢率，甚至可能允許存在一定量的誤檢率。實際場景的特殊要求，勢必要求人工智能算法在學習指標上有所區(qū)分，做出調整。
5、未知類別問題。人工智能僅能學習、識別訓練樣本中存在的類別，而在實際檢測過程中，可能會出現(xiàn)新的類別，如新出現(xiàn)的缺陷，或者混入新的產(chǎn)品或異常情況，對于突發(fā)情況，人工智能算法只能從原有類別中找出它認為最“相近”的一個類別作為答案，但這種“相近”和人眼所觀測的“相似”可能大相徑庭。因此，如果讓人工智能算法“知之為知之，不知為不知“，僅輸出靠譜的結果，以保證系統(tǒng)的可靠性，也是一個需要研究的問題。
6、 理解模型的限制。人工智能模型目前仍是黑盒，模型學到的知識并不為人所知，模型做出判斷的依據(jù)我們也不僅所知，而這又直接影響檢測系統(tǒng)的安全性、可靠性和穩(wěn)定性。如何提高人工智能算法的可解釋性，分析圖像中對結果影響比較大的區(qū)域，鑒定其對不同特征的相關程度，增加模型的可視化和透明化，進而理解模型的限制，從而實現(xiàn)更準確、更穩(wěn)定、更可靠的工業(yè)缺陷檢測成為目前研究者的探索方向。
7、邊緣計算。在實際場景中使用人工智能算法進行缺陷檢測還需要考慮算法依賴的計算資源、設備成本等問題。這對于工業(yè)企業(yè)而言，也需要考慮成本收益比等實際問題。工業(yè)場景的高生產(chǎn)節(jié)拍、低延遲、高響應的特點決定了最適合使用邊緣計算。如何提高邊緣計算的速度，降低成本是主要核心訴求。檢測速度要求越高，計算量越大，硬件要求越高，成本越高。這需要具體情況具體分析，如果首要指標是檢測速度，那么應使用高性能顯卡進行并行加速，可同時推理多張圖片來提速；如首先考慮成本，那么可使用CPU進行計算，目前人工智能推理已可在CPU上推理并實現(xiàn)加速，同時也可利用多線程進行加速；另外，智能相機也是一個不錯的推理終端選擇。
8、數(shù)據(jù)安全與知識產(chǎn)權。數(shù)據(jù)隱私和信息安全問題也是目前工業(yè)領域需要面對的挑戰(zhàn)，在數(shù)據(jù)獲取和使用過程中，需要保證數(shù)據(jù)的安全性和保密性，并且在使用過程中也要遵守相關的數(shù)據(jù)隱私保護法規(guī)。如何保護用戶現(xiàn)場的數(shù)據(jù)，如何保護訓練出的模型，保護各方在人工智能方面的投入，處理好開源和商業(yè)使用以及知識產(chǎn)權之間的關系，避免產(chǎn)品走向國際舞臺時可能面臨的糾紛，也值得參與各方認真研究。
9、工業(yè)大模型。人工智能在最近又有爆發(fā)式的突破，大模型的威力已暫露頭角，在很多領域展現(xiàn)出令人驚艷的表現(xiàn)。碎片化、細分的工業(yè)應用場景未來會不會被大模型占領，能不能基于大量的工業(yè)場景數(shù)據(jù)訓練一個統(tǒng)一的工業(yè)大模型，是一個激動人心的研究方向。
人工智能技術在工業(yè)缺陷檢測領域的應用前景廣闊，它已經(jīng)改變了機器視覺，未來還將發(fā)揮更大的作用。期待人工智能技術在工業(yè)缺陷檢測中的自主學習和優(yōu)化能力得到進一步的提高，通過不斷地學習和適應，可以對缺陷進行更加準確的識別和判斷，并根據(jù)實時數(shù)據(jù)和反饋不斷優(yōu)化和調整算法，在實踐中不斷提高缺陷檢測的準確率和效率，實現(xiàn)更加準確、高效、智能的機器視覺和工業(yè)缺陷檢測模式，使人工智能技術在工業(yè)缺陷檢測中得到更為廣泛的應用，使得工業(yè)產(chǎn)品的質量得到進一步的提升和保障，從而提高工業(yè)生產(chǎn)的效率和成本效益，助力工業(yè)制造行業(yè)更好地服務社會和經(jīng)濟的發(fā)展。
