深度学习，工业应用和黑盒研究

旨在与现有机器，plc和自动化轻松集成，Radian提供基于深度学习的高速检测功能。信贷:小学

近年来，深度学习解决方案在工业应用中获得了显著的吸引力，特别是那些涉及视觉的应用。作为机器学习的一个子集，深度学习基于人工“神经网络”，它的学习方式与人类神经元的学习方式基本相同。

根据凯捷研究院(Capgemini research Institute) 2019年的研究，超过一半的欧洲顶级制造商已经在制造业务中实施了至少一个人工智能用例，而日本和美国的这一数字分别降至30%和28%。该报告还指出，质量控制、预测性维护和需求规划等应用非常适合基于深度学习的方法。

深度学习已经在基于视觉的应用中找到了一个甜蜜点，特别是在检查方面，它们比人类操作员和传统的机器视觉系统都要好。

传统的机器视觉系统通常一次只能处理数十万个参数，而深度学习驱动的系统可以处理数百万个参数。这使得更快、更强大、更灵活的基于视觉的应用程序成为可能。深度学习有助于解决图像处理中一些最紧迫的挑战，如分类、分割和检测。

深度学习中涉及的数据量也产生了“黑箱”现象，在这种现象中，有如此多的复杂性层和如此多的数据点被处理，以至于并不总是能够准确地解释系统如何从输入中获得输出。同样，在深度学习系统中，也不可能总是解释因果链。

那么，基于深度学习的视觉系统用于哪些类型的应用呢?当这些系统在实际应用中表现如此出色时，黑箱“现象”真的重要吗?

深度学习驱动的视觉
基于视觉的检测和QA应用程序已被证明非常适合基于深度学习的方法。例如，Prism软件平台和Radian相机是由总部位于加州的人工智能和自动化公司开发的小学使用深度学习策略，能够灵活地检查移动生产线上的物品。先进的技术允许在超出传统视觉系统能力的应用程序上快速部署。

与传统的视觉系统不同，Prism提供了用户友好的“拖动和绘制”功能，支持在广泛的QA应用程序中快速轻松地部署。信贷:小学

Elementary的一个客户已经部署了Prism™和Radian™来检测散装格兰诺拉麦片中的异物。另一家公司则利用该平台确保披萨等食品上配料的均匀分布，以及雪糕上的糖果屑。

“深度学习驱动的方法正在从根本上挑战传统制造业的假设。我认为我们在Elementary所做的是非常具有颠覆性的，现在是时候让行业拥抱深度学习了，因为采用这种现代形式的人工智能所带来的价值是非常深远的，”Elementary平台与视觉高级总监Krishna Gopalakrishnan说，他指出，像Prism这样的系统通过提供非专业最终用户可以轻松使用的界面，消除了人工智能和机器学习的复杂性。

在其他地方，韩国公司Neurocle开发了神经- t和神经- r——深度学习视觉训练器软件解决方案，专为非专家易于采用而设计。(该公司还为专家提供Neuro-X培训软件。)该软件的直观界面允许非专业的最终用户设计自动化过程，如外观缺陷检查、图像分析和物流包装检查。Neurocle的软件被应用于多个领域，包括汽车零部件制造商、化妆品物流公司，以及医疗领域，用于改进内窥镜和显微镜下的细胞图像分析。

“制造和自动化过程通常涉及重复性任务，这使得它们非常适合深度学习技术，”Neurocle首席执行官Hongsuk Lee表示。“支持深度学习系统的神经网络需要数据来学习，当这些数据几乎重复时，深度学习系统就更容易完成工作。”

2021年12月，Gartner将Neurocle确定为“计算机视觉人工智能”类别中的“酷供应商”。

深度学习支持从检查和质量保证到对象检测和分类的几种视觉应用。信贷Neurocle。

偷看黑盒子里面
深度学习系统的复杂性和数以百万计的参数使得很难解释深度学习系统实现其输出的精确路径。

然而，认为这些系统在任何有意义的意义上都是“神秘的”是错误的，Elementary的Gopalakrishnan说。

“深度学习基于可靠的科学。而且有很好的数学模型来提供可解释性，以及反向传播算法，这些算法已经被知道和研究了很多年。”

“深度学习的研究完成了吗?”不。人们问了很多有趣的问题，包括在我们公司，这个领域在不断发展。与此同时，车间或生产线上的工人不需要知道正在使用哪些最先进的深度学习模型——他们想知道它是否有效，而不必担心自己训练系统。”

Elementary机器学习主管Dat Do表示，“可解释性”是一个正在进行的研究问题，研究是由自动驾驶汽车等关键任务应用驱动的。

“自动驾驶汽车开发人员想知道为什么算法会做出某个决定，目前在这个领域有很多方法正在开发中。Elementary也在努力解决这个问题。我们的异常检测模型可以解释它们认为缺陷在哪里，以及缺陷的异常程度，这使我们能够更好地理解黑匣子，”Do解释说。

对于Neurocle的Lee来说，黑盒子意味着在部署深度学习策略时涉及到一小部分信任因素。

“我们创建了神经网络，定义了一些数学参数，然后让深度学习算法发挥作用。即使是深度学习工程师和专家也必须信任神经网络。”

然而，黑箱现象对于工业视觉应用来说“不是一个大问题”。

“从实际角度来看，黑匣子并不重要。不了解关于深度学习的所有内容并依赖神经网络是完全可以的。我们的目标是创建和训练高性能的深度学习模型，为我们的客户带来价值。我们正在实现这一目标，并不断努力提高我们深度学习软件的能力和功能。”他指出，Neurocle最近推出了其核心软件的更新版本，引入了新的“快速再培训”功能。

Neurocle使用卷积神经网络(cnn)作为其在视觉应用中深度学习方法的基础。

“从技术角度来看，与传统的深度学习算法相比，cnn提供了许多改进。我们不是分析图像本身，而是使用卷积来跟踪神经网络随后关注的特定特征。不仅性能比其他深度学习方法更好，而且还提供了更多的清晰度，”Lee解释道。

信贷:Neurocle

未来对可解释性以及如何解释深度学习系统中的因果链的研究将进一步阐明黑箱。与此同时，在商业案例的推动下，深度学习技术在工业和商业应用中的采用将会增加，同时也受到当今深度学习系统的易用性和灵活性的影响。根据emergent Research的分析，到2028年，包括视觉在内的全球深度学习系统市场预计将达到933.4亿美元，复合年增长率为39.1%。

与此同时，根据Omdia的研究，全球计算机视觉市场收入预计将从2018年的29亿美元增长到2025年的335亿美元，这在很大程度上是由深度学习驱动系统的进步推动的。