深度學習大潮中的工業(yè)視覺檢測
深圳市聯(lián)優(yōu)視覺技術有限公司
在2010年以前，機器視覺技術廣泛應用于工業(yè)檢測中。通常，算法工程師從自己對當前問題的理解和知識，對問題進行模型近似，然后結合自己的理論和技術進行問題求解。每個解決方案的性能與工程師的能力息息相關，很容易就可以看到解決方案的上限。而且，由于當時圖像算法技術和理論所限，解決方案中通常會有很大一部分努力是在于如何通過光照（要求視覺光源）、相機和鏡頭選型（要求工業(yè)相機和工業(yè)鏡頭的性能）來優(yōu)化成像方案的方式來簡化問題，縮小問題邊界，來降低算法適用性過小的不利影響。
進入2010年后，深度學習理論席卷學術圈，也對機器視覺理論和技術帶來了深遠的影響。很多機器視覺的領頭企業(yè)也在這個方面進行發(fā)力，例如Cognex。深度學習的主要影響體現(xiàn)在以下方面：1.數(shù)據(jù)與模型的關系發(fā)生質的變化。傳統(tǒng)理論和技術中，模型為主，數(shù)據(jù)為輔，模型在設計時通常都假定能夠適用大多數(shù)情況，例外發(fā)生時，收集數(shù)據(jù)，再由工程師進行模型修正；基于深度學習的理論和技術，數(shù)據(jù)為主，模型隱藏于數(shù)據(jù)當中，或者說由數(shù)據(jù)訓練而來。2.技術適用性大大增強。在數(shù)據(jù)足夠的情況下，基于深度學習的技術或者解決方案，具備很強的魯棒性，其所能帶來的性能大大超出算法工程師的能力邊界。因此，對于光照、成像環(huán)節(jié)的要求大大降低。3.系統(tǒng)行為的可預測性大大降低，由于訓練數(shù)據(jù)的龐大與前向網(wǎng)絡的高度非線性，想要對該系統(tǒng)進行較詳盡的分析已經(jīng)沒有可能。因此，使用中出現(xiàn)的問題，很難分析其根由，不像傳統(tǒng)技術，review代碼即可知道在模型在哪一方面有不足或者是因為什么代碼BUG引起的。
但是，需要指出的是，基于深度學習理論和技術也是有其邊界，也有其不擅長的領域。深度學習理論和技術比較適合用來解決判斷邏輯，譬如“檢測當前圖像是否有缺陷？”，“更像何種類型的缺陷？”等檢測與分類問題。但是對于測量等應用，則會不太適用。其根由在于，作為對標人類智能的理論和技術，在大多數(shù)應用領域中，深度學習理論技術還是以模仿或者逼近人類智能為其目標。而人類智能對識別擅長，但是對于測量等問題并不擅長，因此以學習人類為目標的深度學習理論和技術也依然受此限制。同時，深度學習理論和技術的出現(xiàn)，并不意味著傳統(tǒng)打光、成像技術就沒有用武之地。而且，在比較大型的應用中（例如人臉識別），也經(jīng)常能看到同時集成了傳統(tǒng)算法技術和深度學習理論技術的解決方案。一個設計合理的方案與系統(tǒng)，會大大簡化我們待解決問題的維度與復雜度，從而大大縮短我們訓練網(wǎng)絡的數(shù)據(jù)量和時間，也同時大大降低網(wǎng)絡的復雜度（網(wǎng)絡規(guī)模和參數(shù)量），從而會大大降低我們解決方案所需的計算資源要求，這對于IOT等場合無疑是我們優(yōu)先考慮的選項。
總之，深度學習理論和技術給機器視覺領域帶來沖擊，并產生了深遠的影響，這種技術與傳統(tǒng)技術之間的融合將會大大推進機器視覺領域的發(fā)展。
相關推薦