机器视觉中的人工智能

使用人工智能的设备越来越成为我们日常生活的一部分。A search of recent technology news items on BBC News Online reveals articles on subjects such as ‘‘smart homes’‘, ‘‘smart shopping baskets’‘, ‘‘smart sofas’‘, ‘‘smart pens’‘ and even ‘‘robot care bears’‘. In the field of Machine Vision, some companies have exploited AI techniques although many possibilities still remain untapped. This article aims to give an overview of what the main artificial intelligence techniques are and how some of these techniques have been employed in commercial Machine Vision systems.

人工智能（AI）涉及开发模仿某种形式的自然智能的计算机程序。一些最常见的AI技术是：

• 专家系统;
• 模糊逻辑;
• 归纳学习;
• 神经网络;
• 遗传算法和
• 群情报。

人工智能技术
专家系统是AI领域最成熟的理念之一。专家系统是一种计算机程序，它包含一个狭窄领域的知识，用来解决与该领域相关的问题。例如，专家系统MYCIN已经被用于医学诊断，就像医生诊断病人的健康问题一样。一个专家系统通常包括两个主要元素:一个知识库和一个关于它所包含知识的推理方法。在许多情况下，知识库包含若干IF-THEN规则，因此这种系统也称为基于规则的系统。

模糊逻辑反映了人类推理的定性和不精确性，能够使系统更具弹性。与标准逻辑不同的是，变量的精确值被语言描述代替，例如用单词“hot”代替绝对温度值。使用模糊逻辑的系统中的知识可以用定性陈述或模糊规则来表示。模糊逻辑最著名的应用之一是洗衣机负荷大小的检测。

归纳学习是一种知识获取的自动技术。它涉及以规则或等同决策树的形式提取知识。归纳学习是机器学习领域的一部分，并使用给定数据集的数学分析来生成其知识。例如，感应学习系统ID3通过计算数据集中的每个属性的熵值来创建来自数据集的决策树，并确定哪些属性和属性值可以最有效地用于将数据集分成类别。

神经网络是人工智能的一个领域，已应用于许多商业产品。神经网络是一种具有学习能力和并行分布结构的大脑计算模型。像归纳学习程序一样，神经网络可以从例子中学习领域知识。然而，它们不会将获取的知识以明确的形式(如规则或决策树)存档，而通常以加权连接的形式存档。神经网络可以为问题提供很好的答案，即使它们不能解释为什么它们给出了一个特定的答案。神经网络模型通常假定计算是分布在几个称为神经元的简单单元上，这些神经元相互连接并并行运行。最流行的神经网络是多层感知器，它由排列成一系列层的神经元组成。

遗传算法是一种优化工具，它在一个非常大的定义搜索空间中搜索问题的解决方案。一个优化问题的示例是旅行推销员问题。在这个问题中，销售人员需要在最短的距离内访问多个城市。由于已知所有的城市，所有可能的路线组合也已知。因此，这是一个在所有可能的路径中寻找最优路径的问题。需要一种快速的搜索技术，而遗传算法是目前最流行的技术之一。遗传算法是基于自然选择理论的计算机程序，适者生存和繁殖。类似地，遗传算法结合解决方案来创建新的解决方案，并且在每一代中只保留最好的解决方案。

群体智能是人工智能的一个最新研究领域。这包括研究和模拟昆虫群落的某些方面。例如，可以看到蚂蚁或蜜蜂在一个群体中共同工作，创造了一个比各部分之和更大的系统。群体智能系统的目标是模仿大群昆虫的行为模式，以产生智能解决方案的问题。

机器视觉中的人工智能
最近，人工智能技术已被纳入若干商业机器视觉系统。本节介绍人工智能在机器视觉中的一些实际应用。

Pulnix ZiCAM是一款智能相机，它不需要编程，只是简单地给出好和坏的部分，并学习如何使用硬件神经网络来区分它们。ZiCAM包含一个识别引擎，它可以提取64个特征，包括直方图、轮廓和像素样本。这些特征被传递给神经网络，神经网络有74个输出。因此，除了给出及格或不及格的输出，ZiCAM可以被训练成将产品分成多达74个类。

智能搜索是由Coreco Imaging提供的自适应模式定位软件，作为他们的Sherlock和MVTools Vision软件包的一部分。它包含一个基于人工智能的培训向导，以方便系统设置。开发人员只需要提供要检查的对象的良好和坏的例子，然后智能搜索自动了解该对象的特征。

NeuroCheck Compact是一款可以通过鼠标编程的智能相机。该系统包含了Neurocheck包，能够从图像中感兴趣的区域计算出大量的物体特征。然后将这些特性传递给分类模块，该模块决定被检查区域的类型。

Meveriech Eyebot使用模糊逻辑和神经网络的组合来学习零件形式和特征，称为Neuro-RAM。眼球有两种格式，形状的eyebot和Spectrum眼球。形状eyebot识别放置在相机前方的物体的形状，然后可以检测偏离学习形状的任何偏差。Spectrum eyebot学习所示对象的颜色。系统的输出可以是0到99的整数，表示产品的状态。

发明有限公司将许多人工智能技术整合到他们的ILIB软件中。ILIB包含模式识别、统计、模糊逻辑和神经网络工具。ILIB的神经网络功能是由具有许多可配置参数的多层感知器神经网络提供的，包括学习率、动量、神经元数量、层数和激活函数。ILIB还包含模式识别技术，如最小距离和k近邻分类。此外，特征向量的分布可以通过许多统计技术来分析，如方差分析。该软件还包含模糊逻辑分类功能和遗传成像。在遗传成像中，用户向系统提供原始图像和图像处理所需的图像。然后，ILIB利用遗传算法推导出将原始图像转换为目标图像所需的卷积滤波器或滤波器序列。

Braintech Inc.的软件采用广泛的人工智能技术，如神经网络，模糊逻辑，自然语言处理，定性数学和遗传算法。该软件已采用检验任务，如模具号识别，制动鞋识别和用于汽车行业气缸磁头定位的任务。

由Stemmer Imaging GmbH开发的Common Vision Blox工具MANTO是基于人工智能的研究，特别是学习的统计理论。它能够应对高程度的图像噪声，并被推荐应用于食品工业或安全技术。

未来
David Wright博士(Braintech Inc.前战略研究副总裁)和Gary Wagner博士(Coreco Imaging的前成像技术总裁)在Machine Vision Online发表的文章都对人工智能在机器视觉中的应用持非常积极的态度。David Wright说:“基于人工智能的视觉分析为工业提供了前所未有的灵活性和可开发性。”Gary Wagner强调了机器视觉被广泛接受的两个重要方面。首先，算法需要是自适应的，这样它们就可以很容易地适应新产品。第二，系统应该变得更加直观，这样就不需要专门的工程师来编程和维护它们。对于这两个目标，人工智能被推荐为解决方案。

从本文给出的例子中可以看出，在机器视觉中使用人工智能的趋势已经开始，因为现在已经有了使用人工智能来促进配置和从一个任务到另一个任务的移动的系统。预计这一趋势将继续增强。

关于作者
Robert Alcock于1996年在卡迪夫大学获得机器视觉博士学位。随后，他在加的夫制造工程中心担任高级研究员，并在亚里士多德大学Thessaloniki (delab.csd.auth.gr)担任访问研究员。自2000年以来，他受雇于Metropolis Informatics S.A.，并在美国和欧洲从事机器视觉项目。他是Elsevier Science出版的《智能检测系统:智能视觉的技术和应用》一书的合著者。