制造商如何通過(guò)云技術(shù)優(yōu)化深度學(xué)習機器視覺(jué)運作方式

機器視覺(jué)作為驅動(dòng)中國制造業(yè)發(fā)展的重要先進(jìn)技術(shù)，在半導體、電子制造、汽車(chē)、醫藥和食品包裝等領(lǐng)域得到廣泛應用；在此背景下，高工產(chǎn)業(yè)研究所（GGII）預測2024年中國機器視覺(jué)市場(chǎng)規模有望突破200億元，同比增速接近12%。

隨著(zhù)人工智能（AI）技術(shù)的迅猛發(fā)展，多數制造行業(yè)的機器視覺(jué)負責人認為AI機器視覺(jué)可以實(shí)現更好的性能和更多的功能。因此，為行業(yè)提供機器視覺(jué)解決方案的合作伙伴們需要進(jìn)一步思考如何為客戶(hù)優(yōu)化前沿技術(shù)，讓深度學(xué)習機器視覺(jué)等技術(shù)在企業(yè)內部變得更易于獲取、更便于使用、并部署得更好。此外，云計算的部署也是推動(dòng)機器視覺(jué)應用的重要一環(huán)，盡管仍有一些制造商對于云計算的采用躊躇不前，現在正是克服這些顧慮的最佳時(shí)機。

對于制造商而言，購入機器視覺(jué)解決方案的方式多種多樣，主要方式之一是在生產(chǎn)地點(diǎn)進(jìn)行現場(chǎng)方案評估和選擇，后續進(jìn)入公司的審批流程；或者方案的選擇和審批等主要流程均在生產(chǎn)地點(diǎn)現場(chǎng)進(jìn)行。這種以“現場(chǎng)”為中心的方式有其優(yōu)點(diǎn)，但也可能帶來(lái)一些不盡如人意的部署差異。具體而言，即便是相似的工作流程，不同生產(chǎn)地點(diǎn)也可能采用不同的機器視覺(jué)解決方案，而且這些地點(diǎn)之間可能無(wú)法實(shí)現專(zhuān)業(yè)知識和數據的共享。即便團隊有相關(guān)需求，也很難通過(guò)傳統的機器視覺(jué)系統實(shí)現集成、互通和安全的數據共享。

不同的生產(chǎn)地點(diǎn)帶來(lái)的數據挑戰

AI，尤其是深度學(xué)習，它們因數據而生，大量、多樣的優(yōu)質(zhì)數據和快速的數據生成、處理速度是訓練和測試深度學(xué)習模型的關(guān)鍵，這樣我們才可以在實(shí)際部署時(shí)實(shí)現預期的效果。

不同團隊和生產(chǎn)地點(diǎn)之間的經(jīng)驗和可用時(shí)間各不相同，信息孤島由此顯現，這加大了獲得優(yōu)質(zhì)數據的難度。數據需要在存儲、標注后用于訓練模型，而模型測試還需要使用其他數據集。在這種情況下，處于“孤島”狀態(tài)的企業(yè)數據是沒(méi)有意義的，不利于更好地訓練機器視覺(jué)模型。

深度學(xué)習神經(jīng)網(wǎng)絡(luò )應盡可能多地接觸到各種變量，包括不同的生產(chǎn)時(shí)間和生產(chǎn)天數。除非使用能夠模擬訓練數據的平臺，數據集必須混合不同時(shí)間點(diǎn)的隨機數據，盡管這需要采集一段時(shí)間內的數據，并且可能會(huì )帶來(lái)不便，但這正是訓練一個(gè)強大模型的關(guān)鍵所在。如何才能充分利用各個(gè)生產(chǎn)地點(diǎn)，甚至是跨國家和地區的所有可用數據，這是制造商及其機器視覺(jué)負責人面臨的主要挑戰之一。

不同的生產(chǎn)地點(diǎn)帶來(lái)的另一難題在于如何確保深度學(xué)習模型基于多樣化的對象集進(jìn)行訓練。在一組數量有限且幾乎相同的對象集上訓練而成的模型，難以應對現實(shí)世界的變化和差異。例如，訓練一個(gè)模型用以識別制造組件的缺陷，不能僅依靠20張同一組件的不同角度圖像。訓練數據中需要有20至50個(gè)真正不同的對象才能確保模型的有效性，盡管整個(gè)生產(chǎn)場(chǎng)景可能受到地點(diǎn)變化的影響（例如不同的照明和/或不同的傳送帶等），但這些對象必須有明顯的區別，除背景之外沒(méi)有任何其他相同元素。

工業(yè)流程還受到各種環(huán)境因素的影響，例如不斷變化的環(huán)境光、材料的細微差別、振動(dòng)、噪聲、溫度、生產(chǎn)條件的改變等。如果訓練數據未考慮到這些變化，就會(huì )降低模型的準確性。每個(gè)地點(diǎn)都可能在清晰度、工作距離、環(huán)境光等因素上有所不同，模型也會(huì )學(xué)習和處理這些變量，因此訓練數據集應反映模型在現實(shí)場(chǎng)景中可能遇到的各種變化。如果工業(yè)流程涉及到多個(gè)生產(chǎn)地點(diǎn)，顯然不能只采集其中一個(gè)地點(diǎn)的數據，或者將所有生產(chǎn)地點(diǎn)的數據孤立保存。因此，實(shí)現不同環(huán)境條件、不同生產(chǎn)地點(diǎn)的數據采集和共享也必不可少。

不同的生產(chǎn)地點(diǎn)所帶來(lái)的另一個(gè)問(wèn)題是深度學(xué)習模型訓練數據的標注。數據標注不準確、不清晰和不一致必然會(huì )導致模型表現不佳，可見(jiàn)確保標注精確且無(wú)歧義至關(guān)重要，這需要制造業(yè)團隊在標注項目上開(kāi)展協(xié)作。在實(shí)際操作中，一個(gè)常見(jiàn)錯誤是在不同的圖像上標注不同的缺陷類(lèi)型，而有些缺陷卻又完全沒(méi)有標注，而且對于什么是缺陷的判斷也可能是主觀(guān)的，因此交叉驗證非常關(guān)鍵。無(wú)論哪種類(lèi)型的缺陷都應清晰地標注在所有相關(guān)圖像上。同樣，如果不采取統一的標注方法也不利用云技術(shù)的話(huà)，跨地點(diǎn)或跨國家的數據標注挑戰也將繼續存在。

深度學(xué)習云平臺解決方案

制造行業(yè)的機器視覺(jué)團隊需要新的方法來(lái)實(shí)施深度學(xué)習機器視覺(jué)，云技術(shù)便是其中一種新方法?；谠频臋C器視覺(jué)平臺可讓用戶(hù)從多個(gè)地點(diǎn)（包括生產(chǎn)地點(diǎn)、國家和地區）安全地上傳、標記和標注數據。在云平臺上匯集來(lái)自不同地點(diǎn)和環(huán)境的大量多樣化數據，更有利于深度學(xué)習的訓練。此類(lèi)平臺可以讓指定的用戶(hù)開(kāi)展實(shí)時(shí)協(xié)作，共同完成標注、訓練和測試項目并共享他們的專(zhuān)業(yè)知識。

與許多行業(yè)一樣，制造商也面臨著(zhù)招聘和留用資深機器視覺(jué)專(zhuān)家的挑戰。試想一下，假如一家企業(yè)能夠更加輕松地利用某個(gè)生產(chǎn)地點(diǎn)、國家或地區的個(gè)人和團隊的技能與專(zhuān)業(yè)知識，使所有人受益，尤其是在機器視覺(jué)人才稀少的地方，這將帶來(lái)多大的益處。協(xié)作型的云平臺將實(shí)現這一愿景。

基于云的解決方案還實(shí)現了算力的可擴展性與可訪(fǎng)問(wèn)性。在使用傳統系統的情況下，只有一部分特定員工的電腦配備了非常強大的GPU卡以執行大型訓練任務(wù)。而通過(guò)云技術(shù)，每個(gè)用戶(hù)都可以通過(guò)各自的設備獲得同樣高的算力。雖然這會(huì )產(chǎn)生一些成本，但通過(guò)按需付費的訂閱模式可能會(huì )比企業(yè)投資更多服務(wù)器和雇用更多難得的IT人員更有利。

借助云平臺，具有特定角色、權限和職責的用戶(hù)便可以在云端訓練和測試深度學(xué)習模型。借助更優(yōu)質(zhì)的訓練和測試數據，在某些場(chǎng)景中，這些模型可能提供遠超基于規則的傳統機器視覺(jué)的視覺(jué)檢測分析水平和精度。這也正是汽車(chē)、電池、半導體、電子和包裝等行業(yè)的制造商所追求的。

通過(guò)軟件即服務(wù)模式，機器視覺(jué)團隊可以靈活、便捷地購買(mǎi)云平臺的訂閱服務(wù)，同時(shí)不斷獲得技術(shù)合作伙伴更新的功能和模型。借助基于云的深度學(xué)習平臺，用戶(hù)或團隊無(wú)論位于何處，都能夠在個(gè)人電腦和設備上將模型部署到邊緣，從而為生產(chǎn)線(xiàn)上的靈活數字化工作流程提供助力。

想要機器視覺(jué)系統能夠更好地工作并實(shí)現更多功能，我們需要以新的方式實(shí)施、使用和部署這項技術(shù)，而深度學(xué)習云平臺正為AI機器視覺(jué)管理者指明了前進(jìn)的方向。