基于深度學習的視覺檢測系統(tǒng)的特點及應用

一、什么是視覺檢測中的深度學習？

在深度學習算法出來之前，對于視覺算法來說，大致可以分為以下5個步驟：特征感知，圖像預處理，特征提取，特征篩選，推理預測與識別。早期的機器學習中，占優(yōu)勢的統(tǒng)計機器學習群體中，對特征是不大關心的。

深度學習是機器學習技術的一個方面，由人工神經(jīng)網(wǎng)絡提供支持。深度學習技術的工作原理是教機器通過實例學習。通過為神經(jīng)網(wǎng)絡提供特定類型數(shù)據(jù)的標記示例，可以提取這些示例之間的共同模式，然后將其轉換為數(shù)學方程。這有助于對未來的信息進行分類。

通過視覺檢測技術，深度學習算法的集成可以區(qū)分零件、異常和字符，在運行計算機化系統(tǒng)的同時模擬人類視覺檢測。

那么，這到底是什么意思呢？舉個例子。

如果要為汽車制造創(chuàng)建視覺檢測軟件，你應該開發(fā)一種基于深度學習的算法，并使用必須檢測的缺陷示例對其進行訓練。有了足夠的數(shù)據(jù)，神經(jīng)網(wǎng)絡最終會在沒有任何額外指令的情況下檢測缺陷。

基于深度學習的視覺檢測系統(tǒng)擅長檢測性質復雜的缺陷。它們不僅可以解決復雜的表面和外觀缺陷，還可以概括和概念化汽車零件的表面。

仿生學角度看深度學習

如果不手動設計特征，不挑選分類器，有沒有別的方案呢？能不能同時學習特征和分類器？即輸入某一個模型的時候，輸入只是圖片，輸出就是它自己的標簽。比如輸入一個明星的頭像，出來的標簽就是一個50維的向量（如果要在50個人里識別的話），其中對應明星的向量是1，其他的位置是0。

這種設定符合人類腦科學的研究成果。

1981年諾貝爾醫(yī)學生理學獎頒發(fā)給了David Hubel，一位神經(jīng)生物學家。他的主要研究成果是發(fā)現(xiàn)了視覺系統(tǒng)信息處理機制，證明大腦的可視皮層是分級的。他的貢獻主要有兩個，一是他認為人的視覺功能一個是抽象，一個是迭代。抽象就是把非常具體的形象的元素，即原始的光線像素等信息，抽象出來形成有意義的概念。這些有意義的概念又會往上迭代，變成更加抽象，人可以感知到的抽象概念。

像素是沒有抽象意義的，但人腦可以把這些像素連接成邊緣，邊緣相對像素來說就變成了比較抽象的概念；邊緣進而形成球形，球形然后到氣球，又是一個抽象的過程，大腦最終就知道看到的是一個氣球。

模擬人腦識別人臉，也是抽象迭代的過程，從最開始的像素到第二層的邊緣，再到人臉的部分，然后到整張人臉，是一個抽象迭代的過程。

再比如看到圖片中的摩托車，我們可能在腦子里就幾微秒的時間，但是經(jīng)過了大量的神經(jīng)元抽象迭代。對計算機來說最開始看到的根本也不是摩托車，而是RGB圖像三個通道上不同的數(shù)字。

所謂的特征或者視覺特征，就是把這些數(shù)值給綜合起來用統(tǒng)計或非統(tǒng)計的形式，把摩托車的部件或者整輛摩托車表現(xiàn)出來。深度學習的流行之前，大部分的設計圖像特征就是基于此，即把一個區(qū)域內(nèi)的像素級別的信息綜合表現(xiàn)出來，利于后面的分類學習。

如果要完全模擬人腦，我們也要模擬抽象和遞歸迭代的過程，把信息從最細瑣的像素級別，抽象到“種類”的概念，讓人能夠接受。

卷積的概念

計算機視覺里經(jīng)常使卷積神經(jīng)網(wǎng)絡，即CNN，是一種對人腦比較精準的模擬。

什么是卷積？卷積就是兩個函數(shù)之間的相互關系，然后得出一個新的值，他是在連續(xù)空間做積分計算，然后在離散空間內(nèi)求和的過程。實際上在計算機視覺里面，可以把卷積當做一個抽象的過程，就是把小區(qū)域內(nèi)的信息統(tǒng)計抽象出來。

比如，對于一張愛因斯坦的照片，我可以學習n個不同的卷積和函數(shù)，然后對這個區(qū)域進行統(tǒng)計。可以用不同的方法統(tǒng)計，比如著重統(tǒng)計中央，也可以著重統(tǒng)計周圍，這就導致統(tǒng)計的和函數(shù)的種類多種多樣，為了達到可以同時學習多個統(tǒng)計的累積和。

上圖中是，如何從輸入圖像怎么到最后的卷積，生成的響應map。首先用學習好的卷積和對圖像進行掃描，然后每一個卷積和會生成一個掃描的響應圖，我們叫response map，或者叫feature map。如果有多個卷積和，就有多個feature map。也就說從一個最開始的輸入圖像（RGB三個通道）可以得到256個通道的feature map，因為有256個卷積和，每個卷積和代表一種統(tǒng)計抽象的方式。

在卷積神經(jīng)網(wǎng)絡中，除了卷積層，還有一種叫池化的操作。池化操作在統(tǒng)計上的概念更明確，就是一個對一個小區(qū)域內(nèi)求平均值或者求最大值的統(tǒng)計操作。

帶來的結果是，如果之前我輸入有兩個通道的，或者256通道的卷積的響應feature map，每一個feature map都經(jīng)過一個求最大的一個池化層，會得到一個比原來feature map更小的256的feature map。

在上面這個例子里，池化層對每一個2X2的區(qū)域求最大值，然后把最大值賦給生成的feature map的對應位置。如果輸入圖像是100×100的話，那輸出圖像就會變成50×50，feature map變成了一半。同時保留的信息是原來2X2區(qū)域里面最大的信息。

操作的實例：LeNet網(wǎng)絡

Le顧名思義就是指人工智能領域的大牛Lecun。這個網(wǎng)絡是深度學習網(wǎng)絡的最初原型，因為之前的網(wǎng)絡都比較淺，它較深的。LeNet在98年就發(fā)明出來了，當時Lecun在AT&T的實驗室，他用這一網(wǎng)絡進行字母識別，達到了非常好的效果。

怎么構成呢？輸入圖像是32×32的灰度圖，第一層經(jīng)過了一組卷積和，生成了6個28X28的feature map，然后經(jīng)過一個池化層，得到得到6個14X14的feature map，然后再經(jīng)過一個卷積層，生成了16個10X10的卷積層，再經(jīng)過池化層生成16個5×5的feature map。

從最后16個5X5的feature map開始，經(jīng)過了3個全連接層，達到最后的輸出，輸出就是標簽空間的輸出。由于設計的是只要對0到9進行識別，所以輸出空間是10，如果要對10個數(shù)字再加上26個大小字母進行識別的話，輸出空間就是62。62維向量里，如果某一個維度上的值最大，它對應的那個字母和數(shù)字就是就是預測結果。

壓在駱駝身上的最后一根稻草

從98年到本世紀初，深度學習興盛起來用了15年，但當時成果泛善可陳，一度被邊緣化。到2012年，深度學習算法在部分領域取得不錯的成績，而壓在駱駝身上最后一根稻草就是AlexNet。

AlexNet由多倫多大學幾個科學家開發(fā)，在ImageNet比賽上做到了非常好的效果。當時AlexNet識別效果超過了所有淺層的方法。此后，大家認識到深度學習的時代終于來了，并有人用它做其它的應用，同時也有些人開始開發(fā)新的網(wǎng)絡結構。

其實AlexNet的結構也很簡單，只是LeNet的放大版。輸入是一個224X224的圖片，是經(jīng)過了若干個卷積層，若干個池化層，最后連接了兩個全連接層，達到了最后的標簽空間。

去年，有些人研究出來怎么樣可視化深度學習出來的特征。那么，AlexNet學習出的特征是什么樣子？在第一層，都是一些填充的塊狀物和邊界等特征；中間的層開始學習一些紋理特征；更高接近分類器的層級，則可以明顯看到的物體形狀的特征。

最后的一層，即分類層，完全是物體的不同的姿態(tài)，根據(jù)不同的物體展現(xiàn)出不同姿態(tài)的特征了。

可以說，不論是對人臉，車輛，大象或椅子進行識別，最開始學到的東西都是邊緣，繼而就是物體的部分，然后在更高層層級才能抽象到物體的整體。整個卷積神經(jīng)網(wǎng)絡在模擬人的抽象和迭代的過程。

二、如何集成AI視覺檢測系統(tǒng)

1. 明確需求：

視覺檢測開發(fā)通常從業(yè)務和技術分析開始。這里的目標是確定系統(tǒng)應該檢測什么樣的缺陷。

需要提前明確的重要問題包括：

什么是AI視覺檢測系統(tǒng)的環(huán)境？

AI檢測應該是實時的還是延時的？

AI視覺檢測應該如何徹底檢測缺陷，是否應該按類型區(qū)分？

是否有任何現(xiàn)有的軟件可以集成視覺檢測功能，還是需要從頭開始開發(fā)？

系統(tǒng)應如何將檢測到的缺陷通知用戶？

AI視覺檢測系統(tǒng)是否應該記錄缺陷檢測統(tǒng)計數(shù)據(jù)？

關鍵問題是：是否存在用于深度學習模型開發(fā)的數(shù)據(jù)，包括“好”和“壞”產(chǎn)品的圖像以及不同類型的缺陷？

2. 收集和準備數(shù)據(jù)：

在深度學習模型開發(fā)開始之前，數(shù)據(jù)科學工程師必須收集和準備訓練未來模型所需的數(shù)據(jù)。對于制造流程，實施物聯(lián)網(wǎng)數(shù)據(jù)分析非常重要。在談論AI視覺檢測模型時，數(shù)據(jù)通常是視頻記錄，其中視覺檢測模型處理的圖像包括視頻幀。數(shù)據(jù)收集有多種選擇，但最常見的是：

現(xiàn)有視頻記錄，適用于特定目的的開源視頻記錄，根據(jù)深度學習模型要求從頭開始收集數(shù)據(jù)。

這里最重要的參數(shù)是視頻記錄的質量。更高質量的數(shù)據(jù)將導致更準確的結果。一旦我們收集了數(shù)據(jù)，我們就為建模做好準備、清理、檢查異常并確保其相關性。

3. 開發(fā)深度學習模型

深度學習模型開發(fā)方法的選擇取決于任務的復雜性、所需的交付時間和預算限制。有幾種方法：

1）使用深度學習模型開發(fā)（例如：Google Cloud ML Engine、Amazon ML 等）

當缺陷檢測功能的要求與給定服務提供的模板一致時，這種類型的方法是有意義的。這些服務可以節(jié)省時間和預算，因為無需從頭開始開發(fā)模型。只需要根據(jù)相關任務上傳數(shù)據(jù)并設置模型選項。

問題就是這些類型的模型不可定制。模型的功能僅限于給定服務提供的選項。

2） 使用預訓練模型

預訓練模型是一種已經(jīng)創(chuàng)建的深度學習模型，它可以完成與我們想要執(zhí)行的任務類似的任務。我們不必從頭開始構建模型，因為它使用基于用戶自己的數(shù)據(jù)訓練模型。

預訓練模型可能不會 100% 符合我們的所有任務，但它可以節(jié)省大量時間和成本。使用之前在大型數(shù)據(jù)集上訓練過的模型，用戶可以根據(jù)自己的問題定制這些解決方案。

3）從零開始深度學習模型開發(fā)

這種方法非常適用于復雜且安全的視覺檢測系統(tǒng)。這種方法可能需要大量時間和精力，但結果是值得的。

在開發(fā)自定義視覺檢測模型時，數(shù)據(jù)科學家會使用一種或多種計算機視覺算法。這些包括圖像分類、對象檢測和實例分割。

許多因素會影響深度學習算法的選擇。這些包括：

業(yè)務目標；

物體/缺陷的大??；

光照條件；

檢驗產(chǎn)品數(shù)量；

缺陷類型；

圖像分辨率；

假設我們正在開發(fā)用于建筑物質量評估的目視檢查模型。主要重點是檢測墻壁上的缺陷。需要大量數(shù)據(jù)集才能獲得準確的視覺檢查結果，因為缺陷類別可能非常多樣化，從油漆剝落和霉菌到墻壁裂縫。這里的最佳方法是從頭開始開發(fā)基于實例分割的模型。在某些情況下，預先訓練的模型方法也是可行的。

4. 訓練和評估

開發(fā)視覺檢測模型后的下一步是對其進行訓練。在這個階段，數(shù)據(jù)科學家驗證和評估模型的性能和結果準確性。測試數(shù)據(jù)集在這里很有用。對于視覺檢測系統(tǒng)，它可能是一組過已有的或類似于要在部署后處理的視頻資料。

5. 部署和改進

在部署視覺檢測模型時，重要的是要考慮軟件和硬件系統(tǒng)架構如何與模型容量對應。

1）軟件

視覺檢測驅動軟件的結構基于用于數(shù)據(jù)傳輸?shù)?Web 解決方案和用于神經(jīng)網(wǎng)絡處理的 Python 框架的組合。這里的關鍵參數(shù)是數(shù)據(jù)存儲。有三種常見的數(shù)據(jù)存儲方式：在本地服務器、云服務或無服務器架構上。

AI視覺檢測系統(tǒng)涉及視頻記錄的存儲。數(shù)據(jù)存儲解決方案的選擇通常取決于深度學習模型功能。例如，如果視覺檢測系統(tǒng)使用大型數(shù)據(jù)集，則最佳選擇可能是云服務。

2）硬件

根據(jù)行業(yè)和自動化流程，集成視覺檢測系統(tǒng)所需的設備可能包括：

攝像頭。關鍵的攝像頭選項是實時視頻流。一些示例包括 IP Camera 和 CCTV。

網(wǎng)關。專用硬件設備和軟件程序都適用于視覺檢測系統(tǒng)。

CPU/GPU。如果需要實時結果，GPU 將是比 CPU 更好的選擇，因為前者在基于圖像的深度學習模型方面具有更快的處理速度。可以優(yōu)化 CPU 來運行視覺檢查模型，但不能優(yōu)化用于訓練。

光度計（可選）。根據(jù)視覺檢測系統(tǒng)環(huán)境的照明條件，可能需要使用光度計。

色度計（可選）。在檢測光源的顏色和亮度時，成像色度計始終具有高空間分辨率，可進行詳細的AI視覺檢測。

熱像儀（可選）。在蒸汽/水管道和設施的自動檢查的情況下，擁有熱像儀數(shù)據(jù)是個好主意。熱像儀數(shù)據(jù)為熱/蒸汽/水泄漏檢測提供了有價值的信息。熱像儀數(shù)據(jù)也可用于隔熱檢查。

無人機（可選）。如今，很難想象在沒有無人機的情況下對難以到達的區(qū)域進行自動檢查：建筑物內(nèi)部結構、天然氣管道、油輪目視檢查、火箭/航天飛機檢查。無人機可能配備高分辨率相機，可以進行實時缺陷檢測。

深度學習模型在部署后可以改進。深度學習方法可以通過新數(shù)據(jù)的迭代收集和模型重新訓練來提高神經(jīng)網(wǎng)絡的準確性。結果是一個“更智能”的視覺檢測模型，它通過增加操作期間的數(shù)據(jù)量來學習。

三、AI視覺檢測的應用示例

通用安防：

適用于社區(qū)、樓宇、企業(yè)園區(qū)等場所的安防管理場景，如：人員進出、車輛進出、周界防范、危險區(qū)域闖入、可疑徘徊等，提高場所的安全管理水平。

明廚亮灶：

基于多種算法（廚師帽/廚師服識別、抽煙識別、玩手機識別、垃圾桶未蓋檢測、動火離人檢測、陌生人檢測、貓/狗/老鼠識別等），可以有效監(jiān)測餐飲行業(yè)后廚的食品安全、環(huán)境衛(wèi)生、四害防治等是否有違規(guī)或異常情況出現(xiàn)，并能實時發(fā)出告警信息。

森林防火：

可對前端設備采集的圖像、視頻等數(shù)據(jù)進行實時風險監(jiān)測與煙火識別分析，根據(jù)火災煙霧火焰特征，可準確識別出煙霧、火焰、火點，并立即觸發(fā)告警。 智慧安監(jiān)：適用于企業(yè)安全生產(chǎn)監(jiān)管場景，如：工地、煤礦、?；?、加油站、煙花爆竹、電力等行業(yè)，有助于降低生產(chǎn)過程中的安全隱患、保障生命財產(chǎn)安全。 智慧景區(qū)：適用于景區(qū)、公園等場景，可實時統(tǒng)計監(jiān)控范圍內(nèi)的人流量、預警人群擁擠事件、防止危險區(qū)域有人員闖入、識別煙火等，助力景區(qū)智能化監(jiān)管。 智慧校園：可用于校園內(nèi)部及周邊的安防監(jiān)測場景，包括師生人臉門禁、車輛進出、周界防范、翻越圍墻、危險區(qū)域闖入、人員擁擠、異常聚集、煙火等。 區(qū)域安全監(jiān)測：適用于重點場所的安全監(jiān)測場景，如：政府機構、軍事區(qū)域、機場、變電站、工業(yè)重地、看守所、農(nóng)場養(yǎng)殖等，監(jiān)測周界入侵、人員闖入、徘徊等事件。

無人值守：可用于野外遠程監(jiān)控場景，如：水利、電力等，防范可疑人員靠近、人員破壞/偷盜設備、闖入危險區(qū)域等，可聯(lián)動語音等裝置進行驅離提醒。 在崗離崗：可用于需要人員時刻在崗的監(jiān)測場景中，能實時檢測固定工作崗位的人員在崗離崗情況，當檢測到離崗時，可立即觸發(fā)告警提醒。 加油站安全監(jiān)管：用于加油站安全監(jiān)管，對加油區(qū)、卸油區(qū)、儲油罐等區(qū)域進行重點監(jiān)測，可對區(qū)域內(nèi)的安全風險，如：抽煙、打電話、煙火、靜電釋放等進行告警提醒。 公共防疫：協(xié)助公共區(qū)域防疫工作的開展，實時監(jiān)測區(qū)域內(nèi)人員是否佩戴口罩，并可結合語音裝置發(fā)出提醒，可應用于樓宇、商場、車站、公交、出租車、地鐵、廣場、景區(qū)、工廠、園區(qū)等場景。

審核編輯：郭婷