人工智能：机器视觉的下一个边疆

当“会思考的机器”的概念在上世纪50年代出现时，有关人工智能这个新领域的危言耸听的警告很快就随之而来。从1968年的标志性电影《2001太空漫游》(2001:A Space Odyssey)到最近的《机械姬》(Ex Machina)，对机器崛起的恐惧一直在流行文化中上演。

虽然人工智能尚未在社会上占据主导地位，但数据存储和处理能力的提高已经使IBM Watson这样的认知系统成为可能，该系统的设计目的是消除人类决策过程中的猜测。然而，目前大多数人工智能的迭代都是用来处理物体识别等更普通的任务。

人工智能的前景似乎使机器视觉能够超越当今解决方案的能力，接受具有挑战性的应用。但是，这项技术在工业应用中的黄金时期已经准备好了吗?

测试人工智能的水域
AI在机器愿景中的适用性依赖于机器学习的附属分支，更深入的学习。在最广泛的级别，AI是一种计算机模拟人类智慧的能力。潜水更深，机器学习使计算机能够采取行动而不明确编程。深度学习，机器学习的子场，使计算机能够从经验中学习。

过去十年的几项发展使深度学习成为了机器视觉的现实，而不仅仅是一种可能性。“基于神经网络的新技术、gpu的足够计算能力和丰富的数据，只有到现在，我们才能将人工智能用于图像处理。Vidi系统这家瑞士公司生产基于深度学习的视觉软件。

深度学习的前景比传统机器视觉,因为与传统的图像处理软件,使用基于规则的方法,“人工智能是我们采取下一步的事情不容易机器或非线性特征,给他们创造下一个级别的可重复性,”华莱士拉蒂默说销售总监，定制光学系统FISBA有限责任公司(亚利桑那州图森市)。

拉蒂默继续说道:“线性算法创造的是一个非常狭窄的领域，而AI/深度学习创造的是能够接受更多变化的更大的领域。“它扩大了人们对好与坏以及为什么好与坏的接受范围。通过拥有更大的桶，你可以专注于提供最大效果的内容，减少输入的变化。”

当今至少有一个深度学习系统是机器愿景用户的市场。Vidi Systems的Vidi套件是第一个商业上可商购的深基于学习的工业图像分析软件。与标准图像处理库集成的软件，就像一个孩子一样。

“你不能用一种基于规则的方法来解释什么是房子，”德蓬说。“根据很少的例子，我们的大脑，即使在很小的时候，也能够提取出房子的构成要素。我们的系统和人类大脑的工作原理完全一样。”

ViDi Suite获得了近20个奖项，由三个不同的工具组成。ViDi Blue发现并检测图像中的单个或多个特征。该工具通过从带注释的图像中学习来定位和识别复杂的特征和对象。ViDi Red通过学习物体的正常外观，包括其变化来检测异常。红色工具还可以分割图像中的特定区域。ViDi Green基于一组已标记的图像来学习区分不同的类别来分类一个对象。

除了能够处理更大产品变化的新机器视觉解决方案之外，在传统机器视觉解决方案上深入学习的另一个优点是它可以减少开发机器视觉计划所需的时间。“随着经典的视觉方法，许多应用需要60多天的软件开发和可行性，”绝绝格。“Vidi可以在半天半天完成开发。”

与Facebook，谷歌和IBM AI系统不同，使用服务器场向他们的软件供电，VIDI使用单个高端NVIDIA GPU在几分钟内培训系统，而不是编程和参数化的日子或几个月据廉价的说法，IBM Watson。

“而不是使用数百万或数十亿的图像，我们建议从30到50个代表性的好的图像开始教导系统，”绝绝格。“我们没有将图像发送到基于云的服务器场，以进行处理或培训。客户很高兴他们可以在单个电脑上运行一个GPU并保留他们的图像的所有权。“

机遇和挑战
深度学习在向传统视觉系统呈现挑战的应用中表现出特定的承诺。“AI真的适合您想要检查甜甜圈或一块肉类的食物检查，这些甜甜圈与一个实例与另一个例子有显着差异，”软件计划经理BrunoMénard说Teledyne DALSA（蒙特利尔，魁北克）。

但它不仅仅是有机检查应用程序将受益。Ménard作为另一个例子引用传统的缺陷检测应用。“难以编程带有传统算法的计算机来定义缺陷，而无需每次存在新缺陷时重做设置，”他说。“但是通过使用众多样品的人工智能，您最终可能会有一个非常好的定义是什么好的部分和什么不是。”

随着AI在机器愿景中出现，该技术将在额外检查任务中找到一个地方，最终延伸到工业自动化的领域。根据FISBA的水上海，深入学习将在医疗，生命科学，食品，假冒检查和木材分级等市场上有利。

“这些领域都有非常灰色的决策点，”拉蒂默说。“那个苹果够不够好?”很难用线性法则来解释。深度学习将使许多应用程序变得更加高效和可重复。”

ViDi Systems的德蓬预测，深度学习将包括医疗诊断、监控、自动驾驶汽车和用于检查或地图分析的智能农业。德蓬说:“人工智能是未来的趋势，它将帮助人们非常迅速地解决一些复杂的任务，因为计算能力几乎每一年半就会翻一番。”

许多机器视觉专业人士都认识到人工智能和深度学习为视觉行业带来的前景，但他们表示，至少在未来3至5年内，人工智能的全部潜力都不会实现。此外，人工智能并不一定能解决所有困扰传统视觉和图像处理的问题。

Teledyne DALSA的Ménard指出了人工智能系统的两个主要缺陷。他说:“首先，你需要进行大量的培训，你需要培养专家来达到下一个级别的分类。”“第二个缺点是，一旦训练有素，分类失败，就很难解决这个问题。你没有选择用一个新的样本进行再培训。”

业内专家认为，在人工智能在机器视觉领域普及之前，该行业将不得不让更大的参与者来承担重任。FISBA的拉蒂默表示:“从我们的细分市场来看，我们将看到全世界的谷歌(google)推动这项技术达到令人难以置信的投资和完善水平。”“我们的行业无法投入必要规模的时间和金钱。我们将不得不利用它。”