4種經(jīng)過(guò)實(shí)證的AI算法應用

AI模型在各項應用扮演的角色愈來(lái)愈重要，為了開(kāi)發(fā)以AI驅動(dòng)的產(chǎn)品，工程師需要將AI整合至整個(gè)系統設計的工作流程。不論是哪一種應用，大部分的工程項目均是以類(lèi)似的工作流程進(jìn)行，最后則產(chǎn)生不同的結果。

當各種數據可取用性提高、能夠支持從數據處理到部署的完整工作流程工具的誕生，意味著(zhù)除了機器人和自動(dòng)駕駛等最廣為人知的應用之外，AI模型在其他應用扮演的角色也愈來(lái)愈重要。

為了開(kāi)發(fā)以AI驅動(dòng)的產(chǎn)品，工程師需要將AI整合至整個(gè)系統設計的工作流程。該工作流程包括四個(gè)重要的階段：

AI模型在各項應用扮演的角色愈來(lái)愈重要，為了開(kāi)發(fā)以AI驅動(dòng)的產(chǎn)品，工程師需要將AI整合至整個(gè)系統設計的工作流程。不論是哪一種應用，大部分的工程項目均是以類(lèi)似的工作流程進(jìn)行，最后則產(chǎn)生不同的結果。

* 資料的準備（data preparation）

* 建立AI模型（AI modeling）

* 模擬與測試（simulation and test）

* 部署實(shí)現（deployment）



 
圖1 : AI工作流程的重要階段。每一個(gè)階段建構在前一個(gè)階段所完成的基礎，并且關(guān)聯(lián)到未來(lái)會(huì )被整合至完整AI系統的AI模型建立過(guò)程。

不論是哪一種應用，大部分的工程項目均是以類(lèi)似的工作流程進(jìn)行；然而，產(chǎn)生的最終結果卻大不相同，接下來(lái)舉例說(shuō)明。

自動(dòng)瑕疵偵測
自動(dòng)檢驗與瑕疵偵測對于高吞吐量生產(chǎn)系統的質(zhì)量控制相當關(guān)鍵，許多產(chǎn)業(yè)采用檢驗與瑕疵偵測系統來(lái)找出產(chǎn)品表面的缺陷或裂痕，部署AI瑕疵偵測算法，可以比傳統的圖像處理等方法來(lái)得更快、更健全。



 
圖2 : 一個(gè)簡(jiǎn)單的CNN架構。自動(dòng)地從影像學(xué)習特征，以用來(lái)辨識不同等級的對象，在這個(gè)案例是正常和不良的零件。

Airbus建立一個(gè)AI模型來(lái)自動(dòng)辨識飛機內輸送管線(xiàn)的瑕疵，他們將飛機內的輸送管線(xiàn)，以不同的照明條件、角度、位置錄制成影片。在進(jìn)行影片數據的標記（labeling）之后，他們設計并訓練一個(gè)深度學(xué)習網(wǎng)絡(luò )，其中使用如語(yǔ)義分割（semantic segmentation）等技術(shù)，找出輸送管在線(xiàn)的通風(fēng)口與線(xiàn)路位置，并且有一用戶(hù)接口來(lái)實(shí)時(shí)地呈現瑕疵偵測結果。

MEG訊號譯碼
訊號數據使用在A(yíng)I系統工作流程時(shí)，本身便存在一定的挑戰。原始的訊號數據很少被直接加入到AI模型中，原因是訊號數據通常帶有噪聲且具有記憶密集（memory-intensive）特性。

因此，經(jīng)常會(huì )再加上時(shí)間-頻率技巧來(lái)轉換數據，收集模型學(xué)習所需的最重要特征。工程師可透過(guò)多種方式轉換他們的數據，并且使用在A(yíng)I模型–舉例來(lái)說(shuō)，他們可以透過(guò)小波散射（wavelet scattering）的方法將原始訊號數據轉換為「圖片」。


 
圖3 : 訊號數據可以使用多種方法來(lái)轉換。這些圖片可再被使用在CNN架構，以深度學(xué)習方法來(lái)進(jìn)行數據的分類(lèi)。

對于患有晚期肌萎縮性脊髓側索硬化癥（amyotrophic lateral sclerosis；ALS）的病人，溝通會(huì )隨著(zhù)疾病的演變而變得更加困難。德州大學(xué)奧斯汀分校（University of Texas at Austin）研究人員開(kāi)發(fā)了一種非侵入性的科技，使用小波和深度神經(jīng)網(wǎng)絡(luò )來(lái)譯碼腦磁波儀（magnetoencephalography；MEG）的訊號，并且在病患想象述說(shuō)完整語(yǔ)句時(shí)，將這些語(yǔ)句偵測出來(lái)。

這些研究人員使用小波多重分辨率分析來(lái)進(jìn)行診斷，并將MEG訊號分解到特定的神經(jīng)震蕩（neural oscillation）頻段。他們從經(jīng)過(guò)降噪和分解的訊號中擷取特征，再使用這些特征來(lái)訓練一個(gè)支持向量機（support vector machine；SVM）和一個(gè)淺層的人工神經(jīng)網(wǎng)絡(luò )（artificial neural network；ANN）。這個(gè)團隊還接著(zhù)客制了AlexNet、ResNet、以及Inception-ResNet等三個(gè)預訓練的深層卷積神經(jīng)網(wǎng)絡(luò )，譯碼MEG訊號，讓分類(lèi)的準確度從80%提高到96%以上。

以雷達為基礎的對象偵測
對于自主車(chē)輛來(lái)說(shuō)，若要在夜晚、惡劣的天氣、較遠的距離等情況下偵測行人與其他的對象，以雷達為基礎的系統的表現會(huì )比攝影機來(lái)得更佳。AI分類(lèi)算法可以被使用在雷達訊號來(lái)依照對象的特征來(lái)區分出具鑒別性的群組。


 
圖4 : 以光譜圖（spectrograms）表示的雷達訊號，用來(lái)以具鑒別性的特征進(jìn)行三個(gè)對象的分類(lèi)。

為了達到這項能力，PathPartner的雷達團隊開(kāi)發(fā)了一個(gè)以雷達點(diǎn)云偵測（radar point cloud detection）為基礎的分類(lèi)器。他們在嵌入式平臺上實(shí)現了這個(gè)分類(lèi)器，并且真正地在測試場(chǎng)景進(jìn)行驗證。

在進(jìn)行早期測試時(shí)，這個(gè)分類(lèi)器偵測到一個(gè)人需要花上5-8秒，生效時(shí)間過(guò)長(cháng)。團隊將訊框時(shí)間（frame time）由每秒3幀增加為5幀，并且建立一組以前一組特征的移動(dòng)平均值計算出的新特征，來(lái)解決這個(gè)延遲。經(jīng)過(guò)測試與快速設計迭代，他們的對象辨識準確率可達到99%。

預測性維護

 
圖5 : 使用Classification Learner app進(jìn)行故障診斷，其中比較了各種機器學(xué)習算法，在部署實(shí)現之前找出最準確的模型。

因為機器故障而導致的停機，可能為仰賴(lài)制造和生產(chǎn)的公司帶來(lái)相當昂貴的成本，而部署健康監測和預測性維護系統可以將這些成本最小化，并且讓效率最大化。預測性維護應用使用先進(jìn)的統計和機器學(xué)習算法，在機器真正發(fā)生問(wèn)題之前，先辨識出機器的潛在問(wèn)題。

Mondi Gronau的塑料生產(chǎn)工廠(chǎng)一年的塑料與薄膜產(chǎn)品出貨量大約有1800萬(wàn)噸，工廠(chǎng)內900名工人一天24小時(shí)、一年365天地操作了大約60臺塑料射出、印刷、上膠、與繞線(xiàn)機。Mondi開(kāi)發(fā)了一個(gè)健康監測與預測性維護的應用，其中納入了以機器學(xué)習模型產(chǎn)生的預測，這項應用讓設備操作人員可以在故障發(fā)生之前，就先接收到關(guān)于設備潛在故障問(wèn)題的示警，Mondi也將該應用做成一個(gè)獨立的可執行版本，現在已經(jīng)在工廠(chǎng)生產(chǎn)在線(xiàn)使用中。

（本文由鈦思科技提供；作者Johanna Pingel任職于MathWorks公司）