機(jī)器視覺的現(xiàn)狀和未來發(fā)展趨勢

深度學(xué)習(xí)是人工智能的熱點(diǎn)發(fā)展方向之一，將推動我們步入控制設(shè)計(jì)和工業(yè)物聯(lián)網(wǎng)的新臺階。機(jī)器視覺在工業(yè)控制領(lǐng)域極其重要，借助這些技術(shù)，使用數(shù)據(jù)驅(qū)動部署復(fù)雜的機(jī)器和設(shè)備。

為了比競爭對手更好地服務(wù)其目標(biāo)客戶，當(dāng)今的嵌入式設(shè)計(jì)團(tuán)隊(duì)正在尋求機(jī)器學(xué)習(xí)（ML）和深度學(xué)習(xí)（DL）等新技術(shù)，以便在有限的資源下按時(shí)向市場開發(fā)和部署復(fù)雜的機(jī)器和設(shè)備。借助這些技術(shù)，團(tuán)隊(duì)可以使用數(shù)據(jù)驅(qū)動的方法構(gòu)建復(fù)雜的單系統(tǒng)或多系統(tǒng)模型。 ML和DL算法不是使用基于物理學(xué)的模型來描述系統(tǒng)的行為，而是透過數(shù)據(jù)推斷出系統(tǒng)的模型。 傳統(tǒng)ML算法適用于處理數(shù)據(jù)量相對較小且問題的復(fù)雜度較低的情況。 但如果是像自動駕駛汽車這樣的大數(shù)據(jù)問題呢？ 解決這個(gè)挑戰(zhàn)需要采用DL技術(shù)。 本文介紹了這種新興技術(shù)將如何推動我們進(jìn)入控制設(shè)計(jì)和工業(yè)物聯(lián)網(wǎng)（IIoT）應(yīng)用的下一個(gè)時(shí)代。

首先考慮機(jī)器學(xué)習(xí)（ML）技術(shù)在工業(yè)資產(chǎn)狀態(tài)監(jiān)測中的應(yīng)用。 ML有助于將基于狀態(tài)的監(jiān)測應(yīng)用從被動維護(hù)和預(yù)防性維護(hù)轉(zhuǎn)變?yōu)轭A(yù)測性維護(hù)。 這些技術(shù)常用于檢測異常行為和診斷問題，并在一定程度上預(yù)測電機(jī)、水泵和渦輪機(jī)等工業(yè)資產(chǎn)的剩余使用壽命。

基于ML的模型開發(fā)和部署流程如圖1所示。

圖1 基于機(jī)器學(xué)習(xí)的分析流程

看看這個(gè)工作流程是如何用來監(jiān)控電機(jī)的健康狀況的。 數(shù)據(jù)是從加速度計(jì)、熱電偶和連接到電機(jī)的電流傳感器等多種類型的傳感器采集而來。 特征工程步驟通常由兩部分組成： 特征提取和特征約簡。 特征提取用于從原始數(shù)據(jù)（或波形）中導(dǎo)出有助于了解資產(chǎn)健康情況的信息。 例如，來自電機(jī)的電流信號的頻譜中嵌入了可用于檢測故障的信息，如圖2所示。頻譜中不同頻帶上的平均振幅可用作為從電流信號中提取的特征。 從多個(gè)傳感器提取的特征可能包含冗余信息。 可以使用主成分分析（PCA）等特征約簡方法來減少最終用于建立模型的特征的數(shù)量。 特征的數(shù)量減少，意味著要使用的ML模型的復(fù)雜性降低了。 減少的特征集表示為向量（或數(shù)組），并輸入到ML算法中，ML算法將用于模型創(chuàng)建步驟。 模型創(chuàng)建和驗(yàn)證是一個(gè)迭代過程，在這個(gè)過程中，您可以嘗試使用幾種ML算法，并選擇最適合您應(yīng)用的算法。

圖2 對電機(jī)電流信號進(jìn)行特征約簡

圖 3 特征工程

無監(jiān)督的ML算法（如高斯混合模型（GMM））可用于模擬電機(jī)的正常行為，并檢測電機(jī)何時(shí)開始偏離其基線。 無監(jiān)督的方法不需要標(biāo)記數(shù)據(jù)就可以發(fā)現(xiàn)數(shù)據(jù)中的隱藏模式。 無監(jiān)督的技術(shù)主要用來檢測電機(jī)的異常，監(jiān)督算法則用于檢測異常的原因。 在有監(jiān)督的方法中，算法以輸入數(shù)據(jù)和期望輸出的組合表示。 這個(gè)數(shù)據(jù)稱為標(biāo)簽數(shù)據(jù)。 算法會學(xué)習(xí)函數(shù)將輸入映射到輸出。 用于訓(xùn)練ML算法的數(shù)據(jù)包含在正常和錯(cuò)誤條件下提取的特征。 使用表示電機(jī)狀態(tài)的標(biāo)簽可清楚地標(biāo)識特征。 常用的監(jiān)督ML算法包括支持向量機(jī)（SVM）、邏輯回歸和人工神經(jīng)網(wǎng)絡(luò)。

傳統(tǒng)ML技術(shù)面臨的挑戰(zhàn)是特征提取過程。 這個(gè)過程需要專業(yè)的領(lǐng)域知識，而且非常容易出錯(cuò)，通常是ML工作流程中的故障點(diǎn)。 因此現(xiàn)在越來越多人采用DL算法，因?yàn)樗鼈儫o需使用特征工程步驟。 從傳感器采集的數(shù)據(jù)（原始測量數(shù)據(jù)）可以直接輸入到DL算法中，如下所示。

圖4 深度學(xué)習(xí)工作流程

DL算法基于人工神經(jīng)網(wǎng)絡(luò)。 人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法受到生物神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和功能的啟發(fā)。 這些算法采用相互連接的計(jì)算節(jié)點(diǎn)（人工神經(jīng)）組的形式結(jié)構(gòu)，而計(jì)算節(jié)點(diǎn)采用層的結(jié)構(gòu)形式。 第一層稱為輸入層，作為與輸入信號或數(shù)據(jù)的連接接口。 最后一層是輸出層，該層中的神經(jīng)元輸出最終的預(yù)測或決定。 在輸入層和輸出層之間，有一個(gè)或多個(gè)隱藏層（圖5）。 每一層的輸出通過加權(quán)連接的方式連接到下一層的節(jié)點(diǎn)。 神經(jīng)網(wǎng)絡(luò)通過修改這些權(quán)重來學(xué)習(xí)輸入和輸出之間的映射。 通過使用多個(gè)隱藏層，DL算法可以學(xué)習(xí)需要從輸入數(shù)據(jù)中提取的特征，而不需要將特征明確地輸入到學(xué)習(xí)算法中。 這就稱為特征學(xué)習(xí)。

圖5 前饋人工神經(jīng)網(wǎng)絡(luò)