资讯

深度学习在工业自动化领域的应用

转载 2019-12-09 17:15 图灵智能制造 来源:图灵智能制造
上海图灵智造机器人有限公司

深度学习是一种在表达能力上灵活多变,同时又允许计算机不断尝试,直到最终逼近目标的一种机器学习方法。从数学本质上说,深度学习与传统机器学习方法并没有实质性差别,都是希望在高维空间中,根据对象特征,将不同类别的对象区分开来。但深度学习的表达能力,与传统机器学习相比,却有着天壤之别。

简单地说,深度学习就是把计算机要学习的东西看成一大堆数据,把这些数据丢进一个复杂的、包含多个层级的数据处理网络(深度神经网络),然后检查经过这个网络处理得到的结果数据是不是符合要求——如果符合,就保留这个网络作为目标模型,如果不符合,就一次次地、锲而不舍地调整网络的参数设置,直到输出满足要求为止。

由图可以明显看出DL在从06年崛起之前经历了两个低谷,这两个低谷也将神经网络的发展分为了三个不同的阶段。

我们换一种更直观的讲法

假设深度学习要处理的数据是信息的“水流”,而处理数据的深度学习网络是一个由管道和阀门组成的巨大的水管网络。网络的入口是若干管道开口,网络的出口也是若干管道开口。这个水管网络有许多层,每一层有许多个可以控制水流流向与流量的调节阀。根据不同任务的需要,水管网络的层数、每层的调节阀数量可以有不同的变化组合。对复杂任务来说,调节阀的总数可以成千上万甚至更多。水管网络中,每一层的每个调节阀都通过水管与下一层的所有调节阀连接起来,组成一个从前到后,逐层完全连通的水流系统(这里说的是一种比较基本的情况,不同的深度学习模型,在水管的安装和连接方式上,是有差别的)。

那么,计算机该如何使用这个庞大的水管网络,来学习识字呢?

比如,当计算机看到一张写有“田”字的图片时,就简单将组成这张图片的所有数字(在计算机里,图片的每个颜色点都是用“0”和“1”组成的数字来表示的)全都变成信息的水流,从入口灌进水管网络。

我们预先在水管网络的每个出口都插一块字牌,对应于每一个我们想让计算机认识的汉字。这时,因为输入的是“田”这个汉字,等水流流过整个水管网络,计算机就会跑到管道出口位置去看一看,是不是标记有“田”字的管道出口流出来的水流最多。如果是这样,就说明这个管道网络符合要求。如果不是这样,我们就给计算机下达命令:调节水管网络里的每一个流量调节阀,让“田”字出口“流出”的数字水流最多。

这下,计算机可要忙一阵子了,要调节那么多阀门呢!好在计算机计算速度快,暴力计算外加算法优化(其实,主要是精妙的数学方法了,不过我们这里不讲数学公式,大家只要想象计算机拼命计算的样子就可以了),总是可以很快给出一个解决方案,调好所有阀门,让出口处的流量符合要求。

下一步,学习“申”字时,我们就用类似的方法,把每一张写有“申”字的图片变成一大堆数字组成的水流,灌进水管网络,看一看,是不是写有“申”字的那个管道出口流出来的水最多,如果不是,我们还得再次调整所有的调节阀。这一次,要既保证刚才学过的“田”字不受影响,也要保证新的“申”字可以被正确处理。

如此反复进行,直到所有汉字对应的水流都可以按照期望的方式流过整个水管网络。这时,我们就说,这个水管网络已经是一个训练好的深度学习模型了。

瑕疵品检测

在工业生产过程中,瑕疵检测是很多产品质量检测环节及其重要的步骤。瑕疵检测装置将工业相机采集到的产品表面图像经过图像处理软件进行瑕疵识别处理,找出瑕疵,同时对瑕疵进行有效的分类及后续处理。传统的图像处理软件存在几个方面问题:

一、图像处理软件开放参数多,需投入大量精力调试才能到达较好检测性能。

二、图像处理软件底层算法通用性及功能拓展性弱,对于新产品及其客户新需求,需要人员来重新开发。

我司案例

磁片检测

我司研发的磁片合格检测系统通过搭建深度神经网络对训练图片中的合格及NG图进行学习,并利用学习收敛后的模型对新的磁片图进行分类。

磁片的合格鉴定是一个比较复杂的视觉检测任务,这是因为磁片表面的纹理,污渍,水滴及光线导致的阴影都可能对识别产生影响。难以用有限且明确的特征描述磁片的合格与否。利用传统匹配及轮廓提取等算法很容易导致将大量合格品鉴定为不合格,使得误检率极高,而假设算法放松对合格品的标准,则会导致判定的合格品中包含不合格品,引起更为致命的漏检。

我司在传统视觉算法的基础上引入深度学习技术,搭建深度神经网络对大量人工标注的图片进行学习训练,自动提取特征并进行不断的迭代计算直至模型收敛。经过验证,基于深度学习的检测系统可以实现对磁片图片更为精准、稳定的检测。

下图为合格磁片 

下图为NG磁片    

注:Ans为真实值

Pr为神经网络计算结果

轮毂凸台检测

我司研发的轮毂凸台定位系统通过搭建深度神经网络对训练图片中的轮毂凸台位置进行学习,并利用学习收敛后的模型对新的轮毂图进行定位检测。

如下图所示,自动化车间的生产环境很难保证图片特征一致且良好,因此利用传统视觉匹配算法抗干扰性较差,会出现模板匹配不上导致的凸台识别失败。而利用深度学习中的卷积神经网络对大量图片特征及标注进行自主学习和模型迭代,会使检测系统具有更高的鲁棒性和抗干扰能力。我司研发的深度学习系统能够对特征不明显或有损坏的凸台进行精准定位,如第二张图所示。

注:图中黑色圆为神经网络对新轮毂图片进行凸台定位的结果

0 0

网友评论

取消