基于深度學(xué)習(xí)的工業(yè)儀器檢測應(yīng)用

作者：翁磊，劉聯(lián)峰

中檢集團(tuán)計(jì)量（溯源）有限公司

導(dǎo)讀

本研究旨在創(chuàng)建一個(gè)復(fù)合的系統(tǒng)框架，結(jié)合人工智能的識(shí)別技術(shù)、物聯(lián)網(wǎng)以及信息化技術(shù)，借此實(shí)現(xiàn)設(shè)備檢測的自動(dòng)化流程。此項(xiàng)工作的初衷是為了進(jìn)一步提升實(shí)驗(yàn)設(shè)備操作的效率以及準(zhǔn)確性，通過降低人工操作帶來的誤差，確保實(shí)驗(yàn)數(shù)據(jù)的可靠性和準(zhǔn)確性。該方案自動(dòng)提取和識(shí)別實(shí)驗(yàn)設(shè)備的數(shù)字信息，包括設(shè)備表盤讀數(shù)和設(shè)備樣品序列號，并一體化控制設(shè)備參數(shù)，有效減少了人為錯(cuò)誤和時(shí)間成本。本文介紹了技術(shù)實(shí)踐過程，探討了其性能評估結(jié)果，并展望了未來的應(yīng)用前景。

01引言

實(shí)驗(yàn)室作為科學(xué)研究、第三方檢測的重要場所，扮演著記錄和分析數(shù)據(jù)的關(guān)鍵角色。實(shí)驗(yàn)室環(huán)境通常需要細(xì)致的記錄保存，以確保科學(xué)實(shí)驗(yàn)的可靠性和結(jié)果的再現(xiàn)性。傳統(tǒng)的記錄保存方法在很大程度上依賴于手工輸入和手寫文件，這帶來了人為錯(cuò)誤和文書差異的風(fēng)險(xiǎn)。

這些風(fēng)險(xiǎn)包括：①人為誤差：操作人員可能會(huì)在記錄數(shù)據(jù)時(shí)犯錯(cuò)，如寫錯(cuò)數(shù)字、跳過某些數(shù)據(jù)或錯(cuò)過關(guān)鍵細(xì)節(jié)。這可能導(dǎo)致數(shù)據(jù)記錄不準(zhǔn)確或不完整。②數(shù)據(jù)量大：有些實(shí)驗(yàn)可能涉及到大量的數(shù)據(jù)，例如在輻射量實(shí)驗(yàn)中， 每個(gè)樣本可能會(huì)產(chǎn)生十多個(gè)的數(shù)據(jù)點(diǎn)。在人工處理數(shù)據(jù)量時(shí)，容易出現(xiàn)遺漏或混淆數(shù)據(jù)的情況。③時(shí)間壓力：在實(shí)驗(yàn)室中，有時(shí)可能存在時(shí)間限制，需要在規(guī)定的時(shí)間內(nèi)完成實(shí)驗(yàn)并記錄數(shù)據(jù)。這種情況下，可能會(huì)感到緊迫或趕時(shí)間，容易出現(xiàn)匆忙或粗心的錯(cuò)誤。

機(jī)器視覺是一門涉及人工智能、神經(jīng)生物學(xué)、心理物理學(xué)、計(jì)算機(jī)科學(xué)、圖像處理和模式識(shí)別等諸多領(lǐng)城的交叉學(xué)科。機(jī)器視覺（Computer Vision）主要關(guān)注計(jì)算機(jī)對于人類視覺系統(tǒng)所需解釋能力的模型化與實(shí)現(xiàn)。這些技術(shù)已經(jīng)被廣泛地應(yīng)用于醫(yī)學(xué)、自動(dòng)化制造、安全控制和智能家居等不同領(lǐng)域。在安全防護(hù)上，機(jī)器視覺技術(shù)已經(jīng)成為一種關(guān)鍵的安全保護(hù)手段。利用視覺監(jiān)控系統(tǒng)在人員通道、重要地帶及交通路口等實(shí)施實(shí)時(shí)觀察， 能夠有效地防止和應(yīng)對盜竊、搶劫及火災(zāi)等意外發(fā)生。在智能制造領(lǐng)域，機(jī)器視覺技術(shù)同樣發(fā)揮著關(guān)鍵作用。通過使用視覺檢查技術(shù)在自動(dòng)化生產(chǎn)線上進(jìn)行快速的零件檢查和分類，生產(chǎn)效率和產(chǎn)品質(zhì)量能得到顯著提升。醫(yī)學(xué)影像方面也是機(jī)器視覺技術(shù)的重要應(yīng)用領(lǐng)域。經(jīng)由對影像數(shù)據(jù)的處置和剖析，可以助力醫(yī)生迅速找到病變位置，并提高疾病檢測的準(zhǔn)確性和正確率。

在實(shí)驗(yàn)室檢測領(lǐng)域，目前機(jī)器視覺應(yīng)用較少，且主要集中在自動(dòng)化程度較高、檢測設(shè)備較為精密的高端實(shí)驗(yàn)室中，但在大部分的已有檢測實(shí)驗(yàn)室中以及新導(dǎo)入的檢測設(shè)備中，各檢測設(shè)備或系統(tǒng)整合性不強(qiáng)，存在較多人工讀取設(shè)備數(shù)據(jù)或手工抄錄多個(gè)設(shè)備系統(tǒng)中數(shù)據(jù)，然后再整合進(jìn)統(tǒng)一的數(shù)據(jù)采集系統(tǒng)并進(jìn)行檢測報(bào)告的生成， 檢測工作效率較低、準(zhǔn)確性稍有欠缺。本應(yīng)用項(xiàng)目的主要目的是展示將深度學(xué)習(xí)視覺技術(shù)集成到實(shí)驗(yàn)室記錄保存中的多種優(yōu)勢。具體而言，我們的目標(biāo)是利用深度學(xué)習(xí)計(jì)算機(jī)視覺算法幫助準(zhǔn)確捕捉和準(zhǔn)確解析檢測結(jié)果， 同時(shí)減少與傳統(tǒng)記錄保存實(shí)踐相關(guān)的時(shí)間和精力。

02檢測方法概論

在智能制造領(lǐng)域，機(jī)器視覺檢測技術(shù)表現(xiàn)出時(shí)效性好、準(zhǔn)確性高、適用面廣的特性，廣泛應(yīng)用于目標(biāo)檢測工作中。在工業(yè)相機(jī)采集高分辨率圖片數(shù)據(jù)基礎(chǔ)上，實(shí)現(xiàn)多目標(biāo)物體識(shí)別、位置檢測，并關(guān)聯(lián)目標(biāo)物體的位置信息。機(jī)器視覺目標(biāo)檢測算法由目標(biāo)特征提取器、目標(biāo)分類與目標(biāo)位置區(qū)域搜索方法構(gòu)成。

1）模板匹配方法。模板匹配是一種高級的計(jì)算機(jī)視覺技術(shù)，可識(shí)別圖像上與預(yù)定義模板匹配的部分。它是在整個(gè)圖像上移動(dòng)模板并計(jì)算模板與圖像上被覆蓋窗口之間的相似度的過程。此方法過程較為復(fù)雜，需要構(gòu)建多個(gè)模板，同時(shí)若采集到的目標(biāo)變形、旋轉(zhuǎn)等情況。會(huì)造成檢測目標(biāo)字符難以被識(shí)別，準(zhǔn)確率較低。

2）基于機(jī)器學(xué)習(xí)的字符識(shí)別。機(jī)器學(xué)習(xí)是將采集到的圖片經(jīng)過矯正處理、定位分割，最后將分割后的單個(gè)字符使用LSSVM 算法識(shí)別目標(biāo)字符。機(jī)器學(xué)習(xí)的方案比模板匹配方案有更好的識(shí)別率和準(zhǔn)確性。

3）基于深度學(xué)習(xí)的字符識(shí)別。隨著計(jì)算機(jī)視覺技術(shù)的發(fā)展，基于深度學(xué)習(xí)的目標(biāo)檢測方法逐漸成為主流。目前常用的目標(biāo)檢測深度學(xué)習(xí)算法有YOLO 系列和R-CNN 系列算法。YOLO 算法在大目標(biāo)、輕量化的場景中具有較好的檢測效果，同時(shí)具有較快的檢測速度。R-CNN 網(wǎng)絡(luò)在檢測的精度方面具有較好的效果。本文主要針對深度學(xué)習(xí)的方法用于字符識(shí)別開展應(yīng)用研究。

03基于深度學(xué)習(xí)的工業(yè)儀器檢測應(yīng)用

針對機(jī)器視覺在工業(yè)儀器設(shè)備檢測中場景梳理，可以確定其AI 模型的相關(guān)屬性及識(shí)別的復(fù)雜程度。實(shí)驗(yàn)室工業(yè)儀器設(shè)備檢測中除了檢測設(shè)備數(shù)顯儀表讀數(shù)外，還有設(shè)備型號、設(shè)備編號、設(shè)備樣品編號及設(shè)備廠家圖標(biāo)等信息，都需要機(jī)器視覺進(jìn)行拍攝后并識(shí)別出結(jié)果。同時(shí)實(shí)驗(yàn)過程一般還需要記錄溯源實(shí)驗(yàn)的溫度、濕度數(shù)據(jù)， 以及對實(shí)驗(yàn)設(shè)備的自動(dòng)化操作控制記錄等。需要對不同的實(shí)驗(yàn)室檢測設(shè)備進(jìn)行不同的實(shí)際模型分類及邏輯控制。通過對實(shí)際案例中檢測需求的梳理分類發(fā)現(xiàn)，形狀、尺寸、一次檢測數(shù)量及待檢測設(shè)備擺放角度等對機(jī)器視覺的識(shí)別都有一定識(shí)別精準(zhǔn)性影響；因此，需要針對某個(gè)品牌型號和類型的待檢測設(shè)備進(jìn)行單獨(dú)的建模訓(xùn)練。

3.1 傳統(tǒng)計(jì)量設(shè)備計(jì)量讀數(shù)采集過程

以對γ 射線輻射計(jì)量設(shè)備的計(jì)量讀數(shù)智能視覺OCR 識(shí)別為例，通過傳統(tǒng)計(jì)量過程計(jì)量度數(shù)采集方法與基于深度學(xué)習(xí)的機(jī)器視覺OCR 識(shí)別方法進(jìn)行比對分析，對實(shí)現(xiàn)過程進(jìn)行表述。

當(dāng)前實(shí)驗(yàn)過程主要是通過人工操作放射源設(shè)備，根據(jù)檢定規(guī)程按要求發(fā)射伽馬射線，同時(shí)待被檢測設(shè)備讀數(shù)穩(wěn)定后，通過視頻監(jiān)控人工讀取數(shù)據(jù)，并進(jìn)行記錄。實(shí)驗(yàn)過程需按要求反復(fù)執(zhí)行多次，并記錄數(shù)據(jù)。計(jì)量實(shí)驗(yàn)室- 計(jì)量設(shè)備計(jì)量數(shù)據(jù)采集作業(yè)現(xiàn)有模式架構(gòu)圖如圖1 所示。

圖1 計(jì)量實(shí)驗(yàn)室

-計(jì)量設(shè)備計(jì)量數(shù)據(jù)采集作業(yè)現(xiàn)有模式架構(gòu)圖

3.2 基于深度學(xué)習(xí)的機(jī)器視覺檢測需求分析設(shè)計(jì)

為提升實(shí)驗(yàn)室自動(dòng)化水平、提高檢測效率，自動(dòng)原始記錄的主要需求：①自動(dòng)識(shí)別被檢儀器，采集被檢設(shè)備的的品牌、型號、設(shè)備樣品編號的信息；②自動(dòng)根據(jù)檢測要求，聯(lián)動(dòng)操作放射源設(shè)備，如：工作臺(tái)、濾片位置等；③對接現(xiàn)有監(jiān)控視頻，采集視頻；④根據(jù)檢測要求， 自動(dòng)讀取和記錄儀器儀表數(shù)據(jù)、記錄溫度濕度；⑤記錄數(shù)據(jù)可以對接導(dǎo)出其他三方系統(tǒng)，如Excel、實(shí)驗(yàn)室管理系統(tǒng)Lims 等。

經(jīng)過改造利用人工智能識(shí)別技術(shù)、物聯(lián)網(wǎng)及信息化技術(shù)， 實(shí)現(xiàn)設(shè)備的數(shù)字OCR（Optical Character Recognition，光學(xué)字符識(shí)別）人工智能識(shí)別，從而降低人工查看記錄設(shè)備數(shù)據(jù)的工作量，提升實(shí)驗(yàn)工作效率和準(zhǔn)確性。通過該方案，將實(shí)驗(yàn)設(shè)備的數(shù)字信息（如設(shè)備表盤讀數(shù)、設(shè)備樣品序列號等）自動(dòng)提取和識(shí)別，并一體化控制實(shí)驗(yàn)設(shè)備參數(shù)，減少人為錯(cuò)誤和時(shí)間成本。

結(jié)合目前人工智能識(shí)別技術(shù)應(yīng)用及方案目標(biāo)，實(shí)現(xiàn)方案架構(gòu)如圖2所示。

圖2 計(jì)量實(shí)驗(yàn)室- 計(jì)量設(shè)備計(jì)量數(shù)據(jù)采集作業(yè)

-人工智能化采集模式架構(gòu)圖

3.3 基于人工智能的目標(biāo)區(qū)域識(shí)別檢測

目標(biāo)檢測是指在圖像或視頻中自動(dòng)地檢測出感興趣的目標(biāo)區(qū)域，并識(shí)別出這個(gè)目標(biāo)的類別。在人工智能的應(yīng)用領(lǐng)域中，目標(biāo)檢測具有廣泛的應(yīng)用價(jià)值?；谏疃葘W(xué)習(xí)的目標(biāo)檢測算法使用的是卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）學(xué)習(xí)特征的方式，這種特征學(xué)習(xí)方式能自動(dòng)發(fā)現(xiàn)檢測及分類目標(biāo)所需要的特征，同時(shí)通過卷積神經(jīng)網(wǎng)絡(luò)將原始輸入信息轉(zhuǎn)化成更抽象、更高維的特征，這種高維特征具有強(qiáng)大的特征表達(dá)能力和泛化性，所以其在復(fù)雜場景下的性能表現(xiàn)較好，可滿足工業(yè)界的大部分應(yīng)用需求。

本項(xiàng)目中對目標(biāo)區(qū)域的識(shí)別檢測包括收集和整理設(shè)備數(shù)據(jù)集、訓(xùn)練模型和部署模型三個(gè)步驟。數(shù)據(jù)準(zhǔn)備主要是收集、標(biāo)注、劃分?jǐn)?shù)據(jù)集；訓(xùn)練模型即使用訓(xùn)練數(shù)據(jù)對模型進(jìn)行訓(xùn)練，使用測試數(shù)據(jù)對模型進(jìn)行測試，評估模型性能，對模型進(jìn)行優(yōu)化，提高檢測精度和速度；部署模型即編寫模型調(diào)用api，便于其他系統(tǒng)集成使用?；谌斯ぶ悄芩惴ǖ膱D像目標(biāo)區(qū)域識(shí)別工作流程如圖3 所示。

圖3 基于人工智能算法的圖像目標(biāo)區(qū)域識(shí)別工作流程

3.4 基于深度學(xué)習(xí)的文本信息OCR 識(shí)別檢測

OCR 識(shí)別的工作原理通常是通過將圖像或掃描文檔送入OCR 算法，然后分析圖像中的像素以識(shí)別不同的字符。這些字符可以是數(shù)字、字母和符號等。一旦字符被識(shí)別出來，它們就可以被轉(zhuǎn)換為計(jì)算機(jī)可讀的文本格式， 比如Word 文檔或文本文件。

為了保證識(shí)別的準(zhǔn)確度，會(huì)對圖像進(jìn)行一系列的處理。首先將目標(biāo)檢測算法得到的結(jié)果進(jìn)行處理，得到設(shè)備屏幕，進(jìn)一步處理獲取有效數(shù)據(jù)區(qū)域。在對圖像進(jìn)行差值處理，提高圖片內(nèi)文字的區(qū)分度，最后通過數(shù)字OCR 識(shí)別算法，得到數(shù)字文本進(jìn)行記錄。電子顯示屏文本信息的定位與OCR 識(shí)別如圖4 所示。

圖4 電子顯示屏文本信息的定位與OCR 識(shí)別

3.5 一體化控制

一體化控制是對實(shí)驗(yàn)室檢測設(shè)備和實(shí)驗(yàn)室管理軟件的集成，使得智能檢測與現(xiàn)有控制軟硬件形成一體化的流程，進(jìn)一步實(shí)現(xiàn)自動(dòng)化控制。一體化控制作業(yè)流程圖如圖5 所示。

圖5 一體化控制作業(yè)流程圖

04實(shí)驗(yàn)結(jié)果與分析

在此場景下應(yīng)用了基于深度學(xué)習(xí)的機(jī)器視覺算法后， 對實(shí)驗(yàn)操作流程準(zhǔn)確性和效率有顯著的提升，對于單設(shè)備計(jì)量的檢測數(shù)據(jù)采集，平均每設(shè)備檢測數(shù)據(jù)采集時(shí)間由原來的20min 減少到10min，采集效率提升100%。對于單次多設(shè)備檢測，平均每設(shè)備檢測數(shù)據(jù)采集時(shí)間由原來的8min 減少到2min，采集效率提升300%，同時(shí)，數(shù)據(jù)的可訪問性大大提高。實(shí)驗(yàn)室檢測自動(dòng)識(shí)別模型如圖6 所示。

圖6 實(shí)驗(yàn)室檢測自動(dòng)識(shí)別模型

1）提高準(zhǔn)確性。計(jì)算機(jī)視覺算法有可能顯著減少記錄和減少實(shí)驗(yàn)室結(jié)果時(shí)的人為錯(cuò)誤。通過自動(dòng)化檢測和處理，可以有效消除手動(dòng)數(shù)據(jù)輸入產(chǎn)生的錯(cuò)誤，確保數(shù)據(jù)完整性，降低誤解風(fēng)險(xiǎn)。

2）提高效率。通過計(jì)算機(jī)視覺技術(shù)實(shí)現(xiàn)數(shù)據(jù)采集和文檔記錄的自動(dòng)化，使實(shí)驗(yàn)室人員能夠?qū)r(shí)間和專業(yè)知識(shí)分配給更關(guān)鍵的任務(wù)。人工數(shù)據(jù)輸入和轉(zhuǎn)錄容易出錯(cuò)且耗時(shí)，可以用計(jì)算機(jī)視覺工具取代或增強(qiáng)，從而減少記錄保存所需的總時(shí)間。

3）提高數(shù)據(jù)可訪問性。計(jì)算機(jī)視覺技術(shù)允許創(chuàng)建易于搜索和訪問的數(shù)據(jù)庫，借助于一體化控制技術(shù)，與實(shí)驗(yàn)室現(xiàn)有管理軟硬件集成。這使研究人員能夠高效地檢索和分析數(shù)據(jù)，加快研究人員科學(xué)研究和數(shù)據(jù)報(bào)告的產(chǎn)出效率。

05未來發(fā)展展望

5.1 人工智能和機(jī)器學(xué)習(xí)

人工智能（AI）和機(jī)器學(xué)習(xí)（ML）算法在計(jì)算機(jī)視覺技術(shù)中的集成為推進(jìn)實(shí)驗(yàn)室記錄保存帶來了巨大的希望。這些技術(shù)有可能提高檢測的準(zhǔn)確性，優(yōu)化數(shù)據(jù)管理， 并促進(jìn)實(shí)時(shí)分析。人工智能和機(jī)器學(xué)習(xí)技術(shù)使實(shí)驗(yàn)室自動(dòng)化系統(tǒng)能夠自動(dòng)調(diào)整實(shí)驗(yàn)參數(shù)以達(dá)到最優(yōu)結(jié)果。通過不斷學(xué)習(xí)和調(diào)整，可以提供更高的實(shí)驗(yàn)成功率和效率， 提高效率。

融合了人工智能和機(jī)器學(xué)習(xí)技術(shù)的實(shí)驗(yàn)室自動(dòng)化系統(tǒng)可以根據(jù)其內(nèi)部學(xué)習(xí)模型和規(guī)則進(jìn)行自主決策，以解決實(shí)驗(yàn)中的問題。它能夠識(shí)別并解決常見的錯(cuò)誤和挑戰(zhàn)， 提供實(shí)驗(yàn)室工作人員更具創(chuàng)造性和戰(zhàn)略性的思考空間。

5.2 與物聯(lián)網(wǎng)和5G 技術(shù)融合

物聯(lián)網(wǎng)可以通過連接儀器、設(shè)備和傳感器，實(shí)現(xiàn)設(shè)備的智能化和自動(dòng)化。傳感器可以收集實(shí)驗(yàn)數(shù)據(jù)和環(huán)境信息，將其傳輸?shù)皆贫?，從而?shí)現(xiàn)實(shí)時(shí)監(jiān)測、遠(yuǎn)程操作和數(shù)據(jù)分析。這可以大大提高實(shí)驗(yàn)室的運(yùn)行效率和數(shù)據(jù)質(zhì)量，并減少人為錯(cuò)誤。

5G 技術(shù)的高速傳輸和低延遲特性可以提供更穩(wěn)定和可靠的通信。這意味著實(shí)驗(yàn)室可以實(shí)時(shí)傳輸大量數(shù)據(jù)， 并迅速響應(yīng)遠(yuǎn)程操作。此外，5G 技術(shù)還支持更多設(shè)備的連接，為實(shí)驗(yàn)室的擴(kuò)展和升級提供便利。

這種融合還可以實(shí)現(xiàn)實(shí)驗(yàn)室的遠(yuǎn)程訪問和協(xié)作。實(shí)驗(yàn)室人員可以通過互聯(lián)網(wǎng)連接到實(shí)驗(yàn)室設(shè)備，實(shí)時(shí)監(jiān)控和操作實(shí)驗(yàn)過程。這樣，在一些室外場景也可以實(shí)現(xiàn)自動(dòng)化檢測，可以幫助實(shí)驗(yàn)室實(shí)現(xiàn)更高效、更智能的運(yùn)作。

06結(jié)論

本研究成功地融合了基于深度學(xué)習(xí)的人工智能識(shí)別技術(shù)、物聯(lián)網(wǎng)技術(shù)和信息化技術(shù)，實(shí)現(xiàn)了工業(yè)儀器實(shí)驗(yàn)設(shè)備自動(dòng)識(shí)別。融合創(chuàng)新技術(shù)不僅提高了工業(yè)儀器和實(shí)驗(yàn)設(shè)備的操作速度，更加精確地實(shí)現(xiàn)了對數(shù)據(jù)的把握和控制，從而極大提高了實(shí)驗(yàn)的效率和準(zhǔn)確性。同時(shí)，解決了數(shù)據(jù)溯源、錯(cuò)誤糾正和實(shí)驗(yàn)重復(fù)性等復(fù)雜問題，實(shí)現(xiàn)了科學(xué)實(shí)驗(yàn)的信息化和智能化。

這一融合創(chuàng)新在科研、工業(yè)生產(chǎn)和醫(yī)療保健等領(lǐng)域具有潛在的廣泛應(yīng)用前景，在數(shù)據(jù)驅(qū)動(dòng)背景下，將為提高數(shù)據(jù)管理和實(shí)驗(yàn)操作水平做出重要貢獻(xiàn)，進(jìn)一步優(yōu)化和提高各領(lǐng)域的運(yùn)作效率和準(zhǔn)確性。隨著本領(lǐng)域研究的不斷深入和技術(shù)的不斷進(jìn)步，有望更好地滿足社會(huì)和科學(xué)的需求。期待通過基于深度學(xué)習(xí)機(jī)器視覺和信息技術(shù)的不斷發(fā)展，為工業(yè)智檢貢獻(xiàn)力量。

來源：《智能制造》5期雜志

審核編輯：湯梓紅