電子發(fā)燒友App
本文摘自于：雷林建, 孫勝利, 向玉開, 張悅, 劉會(huì)凱. 2020. 智能制造中的計(jì)算機(jī)視覺應(yīng)用瓶頸問題. 中國圖象圖形學(xué)報(bào),
計(jì)算機(jī)視覺在智能制造工業(yè)檢測中發(fā)揮著檢測識別和定位分析的重要作用，為提高工業(yè)檢測的檢測速率和準(zhǔn)確率以及智能自動(dòng)化程度做出了巨大的貢獻(xiàn)。然而計(jì)算機(jī)視覺在應(yīng)用過程中一直存在技術(shù)應(yīng)用難點(diǎn)，其中3大瓶頸問題是：
計(jì)算機(jī)視覺應(yīng)用易受光照影響
樣本數(shù)據(jù)難以支持深度學(xué)習(xí)
先驗(yàn)知識難以加入演化算法
本文針對計(jì)算機(jī)視覺應(yīng)用存在的3大瓶頸問題總結(jié)分析了問題現(xiàn)狀和已有解決方法。經(jīng)過深入分析發(fā)現(xiàn)：
針對受光照影響大的問題，可以通過算法和圖像采集兩個(gè)環(huán)節(jié)解決；
針對樣本數(shù)據(jù)難以支持深度學(xué)習(xí)的問題，可以通過小樣本數(shù)據(jù)處理算法和樣本數(shù)量分布平衡方法解決；
針對先驗(yàn)知識難以加入演化算法的問題，可以通過機(jī)器學(xué)習(xí)和強(qiáng)化學(xué)習(xí)解決。
【正文部分】
1 智能制造中的計(jì)算機(jī)視覺發(fā)展現(xiàn)狀及需求
1.1 智能制造中的計(jì)算機(jī)視覺發(fā)展現(xiàn)狀
計(jì)算機(jī)視覺的發(fā)展主要經(jīng)歷了4個(gè)階段，第1階段稱為計(jì)算視覺，第2階段是主動(dòng)和目的視覺，第3階段是分層3維重建理論，第4階段是基于學(xué)習(xí)的視覺，如圖 1所示。
計(jì)算機(jī)視覺發(fā)展的4個(gè)階段 具體到智能制造業(yè)的應(yīng)用，工業(yè)檢測是計(jì)算機(jī)視覺應(yīng)用的主要方向。由于生產(chǎn)中不可避免會(huì)產(chǎn)生缺陷和誤差，導(dǎo)致部件或者產(chǎn)品出現(xiàn)殘次品。因此，在流水線后端需要檢測環(huán)節(jié)。目前大多采用人工檢測方法或是自動(dòng)化程度不高的機(jī)器方法，這導(dǎo)致原本效率提高的流水線因?yàn)闄z測環(huán)節(jié)再次緩慢下來。
因此計(jì)算機(jī)視覺檢測技術(shù)在智能制造工業(yè)檢測領(lǐng)域的應(yīng)用至關(guān)重要。目前各類相關(guān)研究非常廣泛，大到汽車制造業(yè)中的汽車車身視覺檢測，小到軸承表面缺陷檢測。表 1給出了基于圖像的軸承故障診斷的計(jì)算機(jī)視覺方法。 表 1?軸承故障診斷的計(jì)算機(jī)視覺方法對比 Table 2?Comparison of computer visual methods for fault diagnosis of bearing
?
| 方法 | 平均故障識別率/% | 特點(diǎn) |
| 基于加權(quán)FCM(fuzzy C-means)算法(隋文濤，2011) | 97.50 | 故障識別率無法提高，但魯棒性高。 |
| 基于學(xué)習(xí)的深度信念網(wǎng)絡(luò)分類識別算法(李巍華等，2016) | 97.58 | 40%可以達(dá)到99.0%識別率，易出現(xiàn)效果極差的情況。 |
?
1.2 智能制造對計(jì)算機(jī)視覺技術(shù)的發(fā)展需求
智能制造業(yè)中涉及大量檢測環(huán)節(jié)，如缺陷檢測、形變檢測、紋理檢測、尺寸檢測等。 ? 計(jì)算機(jī)視覺技術(shù)作為檢測領(lǐng)域目前最有效的方法之一，必然會(huì)在工業(yè)檢測的應(yīng)用中掀起一場革命性的制造模式大轉(zhuǎn)變。它能再一次解放勞動(dòng)力，大幅度提高制造業(yè)的生產(chǎn)效率，降低生產(chǎn)成本，減少生產(chǎn)環(huán)節(jié)，促使生產(chǎn)線全自動(dòng)化的形成。 ? 但目前計(jì)算機(jī)視覺在智能制造工業(yè)檢測領(lǐng)域的實(shí)際應(yīng)用存在諸多瓶頸問題尚未解決，其中3個(gè)關(guān)鍵的瓶頸問題值得研究討論。
1) 實(shí)際智能制造業(yè)環(huán)境復(fù)雜、光源簡單，容易造成光照不均勻，難以解決圖像質(zhì)量受光照影響大的問題。在檢測領(lǐng)域的實(shí)際應(yīng)用中，由于工業(yè)場地環(huán)境變化的不確定性，會(huì)使計(jì)算機(jī)視覺的圖像采集環(huán)節(jié)受到影響。在工業(yè)檢測中，檢測的通常都是流水線上一致性很高的產(chǎn)品，需要檢測的缺陷通常也是相對微小的，因此對圖像的要求較高。除了保證相機(jī)的各參數(shù)一致以外，還需要控制環(huán)境因素的影響，這是工業(yè)檢測中特有的控制因素之一。由于環(huán)境變化隨機(jī)性大，使得控制光照成為智能制造檢測領(lǐng)域的計(jì)算機(jī)視覺關(guān)鍵瓶頸問題。
? 2)?實(shí)際智能制造業(yè)中獲取萬級以上的平衡樣本數(shù)據(jù)代價(jià)較大，難以解決樣本數(shù)據(jù)不是以支持基于深度學(xué)習(xí)的計(jì)算機(jī)視覺檢測任務(wù)的問題。在所有學(xué)習(xí)方法中，樣本數(shù)據(jù)是最重要的因素之一。尤其是深度學(xué)習(xí)，往往需要非常大量的樣本才能達(dá)到比較優(yōu)異的檢測效果。在一定數(shù)量級(欠學(xué)習(xí))之內(nèi)，樣本和檢測效果甚至成正比關(guān)系。而在智能制造業(yè)，樣本數(shù)據(jù)的采集卻是一大問題。因?yàn)槠髽I(yè)追求利益，無法像做研究一樣順利進(jìn)行樣本數(shù)據(jù)采集，甚至有些產(chǎn)品的總產(chǎn)量都達(dá)不到深度學(xué)習(xí)所需的樣本數(shù)據(jù)規(guī)模。
3)?智能制造業(yè)中，計(jì)算機(jī)判定難以達(dá)到專業(yè)判定的水準(zhǔn)，如何在算法中加入先驗(yàn)知識以提高演化算法的效果是一大難題。如何有效利用先驗(yàn)知識，降低深度學(xué)習(xí)對大規(guī)模標(biāo)注數(shù)據(jù)的依賴，成為目前業(yè)內(nèi)的主攻方向之一。
由于先驗(yàn)知識的形式多變，如何與深度學(xué)習(xí)有效結(jié)合是一大難點(diǎn)。具體到工業(yè)檢測領(lǐng)域，問題更加嚴(yán)峻，在需要解決上述問題的同時(shí)，還需要考慮如下難點(diǎn)：如何將比普通先驗(yàn)知識更復(fù)雜的工業(yè)檢測專業(yè)知識轉(zhuǎn)化為知識圖譜等形式融入算法；如何建立工業(yè)檢測先驗(yàn)知識的規(guī)范化、標(biāo)準(zhǔn)化和統(tǒng)一化；如何通過已有產(chǎn)品的先驗(yàn)知識推測知識庫未收錄的其他類似產(chǎn)品的先驗(yàn)知識。
2 智能制造中計(jì)算機(jī)視覺應(yīng)用易受光照影響的問題
2.1 受光照影響大的問題概述
工業(yè)檢測不同于其他檢測領(lǐng)域，不同工業(yè)產(chǎn)品的檢測通常也在不一樣的環(huán)境中進(jìn)行。一般來說，工業(yè)產(chǎn)品的生產(chǎn)過程在開放式的車間或者倉庫環(huán)境中進(jìn)行，自然采光差、光來源復(fù)雜、光照設(shè)備不專業(yè)是普遍存在的問題，加之智能制造領(lǐng)域?qū)τ跈z測的正確率和速率有著更為嚴(yán)苛的要求，光照控制作為提升識別率的重要途徑需要更好的技術(shù)加持。 ? ? 對于大型智能制造工業(yè)現(xiàn)場，開放式的復(fù)雜工作環(huán)境容易造成拍攝圖像的過程中光照強(qiáng)度的大范圍變化。相比之下，小型工業(yè)現(xiàn)場的自然光照等其他干擾較小，但小型產(chǎn)品的檢測精細(xì)度更高，對于光照穩(wěn)定性的要求也隨之提高，控制光照的難度反而更高。實(shí)驗(yàn)室穩(wěn)定光照條件下獲得的樣本數(shù)據(jù)集訓(xùn)練出的模型并不能在工業(yè)現(xiàn)場取得很好的檢測效果。不僅光照條件的苛刻性使得智能制造中的計(jì)算機(jī)視覺應(yīng)用難度增加，而且智能制造領(lǐng)域?qū)?zhǔn)確率的要求也更為嚴(yán)苛。因此，如何控制光照均勻性是目前一大瓶頸問題。 ?
2.2 受光照影響大的解決方法
目前智能制造工業(yè)檢測領(lǐng)域計(jì)算機(jī)視覺中的光照問題研究大多從算法上入手。如基于Retinex的X光非均勻鋼絲繩芯輸送帶圖像校正和增強(qiáng)算法提出了一種基于機(jī)器視覺的非均勻光照輸送帶圖像校正和故障檢測算法?；诮y(tǒng)計(jì)特性的光照歸一化方法充分考慮了圖像的光照局部性，通過對圖像局部的均值和方差進(jìn)行調(diào)節(jié)，引入線性插值方法，將對數(shù)變換與本文方法結(jié)合調(diào)整圖像的光照，可以很好地進(jìn)行光照的歸一化。工業(yè)檢測的光照特性變化隨機(jī)，而此法可根據(jù)圖像的特性動(dòng)態(tài)調(diào)整，具有可用性。 ? 智能制造工業(yè)檢測領(lǐng)域中需要相機(jī)拍攝圖像以進(jìn)一步通過計(jì)算機(jī)視覺技術(shù)完成處理分析，因此在圖像采集環(huán)節(jié)對光照加以控制是另一種常用方法。它的特點(diǎn)是可以避免復(fù)雜的算法實(shí)現(xiàn)，但會(huì)增加硬件成本和復(fù)雜度。在針對某物體的圖像采集過程中，相機(jī)、鏡頭的配置會(huì)直接影響成像的效果，通過調(diào)試可確定最優(yōu)的相機(jī)、鏡頭配置。同時(shí)，外加光源可以有效地減弱環(huán)境光對圖像采集的干擾，保證一系列圖像的穩(wěn)定性，也能調(diào)整得到適合工業(yè)檢測的特定光照。 ? 視覺獲取的最優(yōu)情形以及以光源和相機(jī)為主體的光照協(xié)調(diào)技術(shù)把相機(jī)和光源作為一個(gè)整體加以協(xié)調(diào)，利用交替法優(yōu)化配置最優(yōu)光照和相機(jī)位置，使得在當(dāng)前環(huán)境下的圖像具有較高的平均亮度和對比度。此方法能提高樣本圖像數(shù)據(jù)的質(zhì)量，使光照的會(huì)聚指數(shù)上升約0.15 %，但也使得采集圖像的復(fù)雜度上升。數(shù)字?jǐn)z像機(jī)參數(shù)自適應(yīng)調(diào)整算法用以提高機(jī)器視覺系統(tǒng)對光照變化的魯棒性，它能根據(jù)外界環(huán)境的光照條件，在線調(diào)整數(shù)字?jǐn)z像機(jī)的參數(shù)和設(shè)置，以采集像素灰度在預(yù)設(shè)值范圍內(nèi)的圖像，有效減弱了光照變化對圖像灰度的影響，缺點(diǎn)在于實(shí)時(shí)調(diào)整對相機(jī)和調(diào)整算法的要求都很高，很難保證長時(shí)間精準(zhǔn)實(shí)現(xiàn)，易丟失實(shí)時(shí)性。 ?
3 智能制造中計(jì)算機(jī)視覺應(yīng)用的樣本數(shù)據(jù)難以支持深度學(xué)習(xí)的問題
3.1 樣本數(shù)據(jù)難以支持深度學(xué)習(xí)的問題概述
智能制造工業(yè)檢測中，除傳統(tǒng)的模板匹配方法，目前更主流的是基于深度學(xué)習(xí)的方法。因工業(yè)檢測的高準(zhǔn)確率需求，有監(jiān)督的深度學(xué)習(xí)能滿足要求。有監(jiān)督的深度學(xué)習(xí)的一大特點(diǎn)是需要已知類別標(biāo)簽的訓(xùn)練圖像數(shù)據(jù)集，這個(gè)訓(xùn)練集理論上包含的數(shù)據(jù)量越大，檢測的效果越好。但結(jié)合工業(yè)檢測的實(shí)際場景，難以采集這么大的樣本數(shù)據(jù)量。另外，制造行業(yè)中缺陷品的數(shù)量遠(yuǎn)遠(yuǎn)少于合格品，隨機(jī)獲取的訓(xùn)練集樣本將存在樣本分布不平衡的問題。即使在大樣本數(shù)據(jù)二分類問題中，樣本分布也應(yīng)該盡量做到每類占比50 %。 ?
在智能制造領(lǐng)域，獲取樣本圖像數(shù)據(jù)的方法有兩種，一種是在流水線作業(yè)時(shí)在線采集，另一種是樣本擺拍的離線采集。 ? 在流水線作業(yè)時(shí)在線采集的優(yōu)勢在于不影響工業(yè)生產(chǎn)即可完成樣本圖像數(shù)據(jù)的采集，圖像數(shù)據(jù)來自于工業(yè)現(xiàn)場，并且可采集最大等同于生產(chǎn)數(shù)量的樣本圖像數(shù)據(jù)集。但問題在于樣本類別按合格率分布，缺陷品的樣本圖像將遠(yuǎn)遠(yuǎn)小于合格品，樣本分布不平衡。其次工業(yè)現(xiàn)場的拍攝環(huán)境無法保證，容易造成樣本圖像的質(zhì)量不一，影響訓(xùn)練效果。 ? 相對地，樣本擺拍的離線采集模式的優(yōu)點(diǎn)是可控的樣本分布，人工控制各類別的樣本數(shù)量分布一致；可控的實(shí)驗(yàn)室拍攝環(huán)境，可以保證得到高質(zhì)量的樣本圖像。缺點(diǎn)也很明顯，收集樣本需花費(fèi)大量時(shí)間，拍攝耗時(shí)耗力，訓(xùn)練模型不一定能適用于工業(yè)現(xiàn)場檢測，短時(shí)間內(nèi)無法得到大樣本圖像數(shù)據(jù)集。因此，樣本數(shù)據(jù)由于量小、不平衡難以支持深度學(xué)習(xí)，成為目前的一大瓶頸問題。 ?
3.2 樣本數(shù)據(jù)難以支持深度學(xué)習(xí)的解決方法
智能制造檢測領(lǐng)域的樣本數(shù)據(jù)存在難以獲取大量有效樣本數(shù)據(jù)的問題, 以及難以獲取各類樣本數(shù)量分布平衡的樣本數(shù)據(jù)集的問題。難以獲取大量有效樣本數(shù)據(jù)的問題可以轉(zhuǎn)化為針對小樣本數(shù)據(jù)如何取得良好檢測分類效果的問題，主要方法如表2所示。 ? 表 2?利用小樣本數(shù)據(jù)檢測分類的方法 Table 3?Methods for detection classification using small sample data
| 方法 | 基本思想 | 特點(diǎn) |
| 基于微調(diào)(fine tune)的方法 | 基于一個(gè)已經(jīng)被訓(xùn)練過的基礎(chǔ)網(wǎng)絡(luò)，根據(jù)現(xiàn)有的小樣本數(shù)據(jù)對這個(gè)網(wǎng)絡(luò)進(jìn)行微調(diào)，使其在特定數(shù)據(jù)域上效果更好。 | 需要利用原先大樣本數(shù)據(jù)訓(xùn)練好的模型并結(jié)合特定小樣本進(jìn)行參數(shù)微調(diào)，速度較快，能提升此特定領(lǐng)域預(yù)測效果。 |
| 基于度量(metric)的方法 | 對樣本間的距離分布進(jìn)行建模，使同類樣本聚合，異類分離。 | 本質(zhì)是基于小樣本的分類器，通過距離或其他參數(shù)進(jìn)行分類，學(xué)習(xí)快速，泛化能力強(qiáng)，收斂能力較弱。 |
| 基于元學(xué)習(xí)(meta learning)的方法 | 從之前的學(xué)習(xí)學(xué)會(huì)如何學(xué)習(xí)，對于新的任務(wù)不必從零開始，而是根據(jù)一定的元數(shù)據(jù)，自動(dòng)學(xué)習(xí)如何解決新的任務(wù)。 | 靈活性強(qiáng)，泛化能力強(qiáng)，利用少量樣本即可解決新的學(xué)習(xí)任務(wù)，需要更大的時(shí)間成本訓(xùn)練出學(xué)習(xí)模型。 |
| 基于圖神經(jīng)網(wǎng)絡(luò)(graph neural network, GNN) (Garcia和Bruna，2018)的方法 | 用圖的形式構(gòu)建了神經(jīng)網(wǎng)絡(luò)，把樣本看做節(jié)點(diǎn)，通過節(jié)點(diǎn)彼此間的連接做到信息擴(kuò)散，可以把有標(biāo)簽的樣本信息擴(kuò)散到與之最相似的需要預(yù)測的樣本上。 | 本質(zhì)上是基于度量的方法，mini-ImageNet上5分類準(zhǔn)確率大約在95%左右，小樣本表現(xiàn)不穩(wěn)定，應(yīng)用有待深入。 |
針對難以獲取各類別樣本數(shù)量分布平衡的樣本數(shù)據(jù)集有如表 3的解決方法。
表3?樣本分布不平衡的解決方法 Table 5?Solution to sample distribution imbalance
| 方法 | 基本思想 | 特點(diǎn) |
| 數(shù)據(jù)增廣方法 | 對原圖進(jìn)行多種方法處理，形成稍有差異的圖像數(shù)據(jù)，以補(bǔ)充數(shù)據(jù)過少或者數(shù)據(jù)單一的問題。 | 常用方法：色彩抖動(dòng)、主成分分析(principal components analysis, PCA)抖動(dòng)、尺度變換、裁剪縮放、平移翻轉(zhuǎn)、旋轉(zhuǎn)仿射、高斯噪聲。能擴(kuò)張數(shù)據(jù)集的數(shù)量，但質(zhì)量不如原始數(shù)據(jù)集，并可能產(chǎn)生實(shí)際不存在的樣本圖像，預(yù)測效果會(huì)下降。 |
| 重采樣方法 | 對樣本數(shù)量大的樣本進(jìn)行欠采樣，即刪除部分樣本；對樣本數(shù)量小的樣本進(jìn)行過采樣，即添加樣本的副本。 | 在一定程度緩解了不同類樣本數(shù)量差距懸殊的問題，但降低了數(shù)據(jù)集質(zhì)量，增加了訓(xùn)練的誤差，訓(xùn)練的效果不理想。 |
| SMOTE(synthetic minority over-sampling technique)(Chawla等，2002) | 本質(zhì)上是過采樣，構(gòu)造新的小類樣本，新樣本不是原始樣本的副本或增廣，而是從小類樣本中的兩個(gè)或多個(gè)相似樣本選擇一個(gè)樣本，從鄰近的其他樣本中選擇一個(gè)屬性添加到這個(gè)樣本上形成。 | 屬性一般是某種特征，產(chǎn)生的樣本質(zhì)量比樣本副本和增廣質(zhì)量高很多，但非常容易產(chǎn)生實(shí)際不存在的樣本，不具有很強(qiáng)的應(yīng)用性，無法保證屬性之間的線性關(guān)系。 |
?
研究結(jié)果表明，目前樣本數(shù)據(jù)難以支撐深度學(xué)習(xí)的問題主要包括樣本數(shù)據(jù)量小和樣本數(shù)據(jù)不均衡，對于這兩個(gè)問題的方法已有如上所述的研究體系和方法。此類樣本數(shù)據(jù)處理算法都是針對樣本的數(shù)量而不是樣本的內(nèi)容，因此在智能制造的工業(yè)檢測領(lǐng)域，使用上述方法調(diào)整樣本數(shù)據(jù)是完全可行的。
4 智能制造中計(jì)算機(jī)視覺應(yīng)用的先驗(yàn)知識難以加入演化算法的問題
4.1 先驗(yàn)知識難以加入演化算法的問題概述
計(jì)算機(jī)視覺在智能制造中的應(yīng)用本質(zhì)上是一種基于數(shù)據(jù)的方法，但在工業(yè)檢測領(lǐng)域難以獲取大量均勻的樣本數(shù)據(jù)，因此研究者們提出將先驗(yàn)知識加入計(jì)算機(jī)視覺算法中以期獲得更好的檢測效果。應(yīng)用基于先驗(yàn)知識的方法，在訓(xùn)練階段可以配合樣本進(jìn)行訓(xùn)練，提高模型參數(shù)的準(zhǔn)確性，降低學(xué)習(xí)難度，利于訓(xùn)練過程的收斂，從而提高預(yù)測的準(zhǔn)確度。在預(yù)測階段，能通過先驗(yàn)知識對判定結(jié)果的校正，提高準(zhǔn)確率，也能提升檢測速度，避免偶然誤差的產(chǎn)生。 ? ? 目前先驗(yàn)知識難以加入演化算法，更難以指導(dǎo)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)等算法，并且也有很多需要解決的瓶頸問題。例如，如何將知識圖譜這種主要知識表示形式用于指導(dǎo)深度神經(jīng)網(wǎng)絡(luò)；如何用自然語言指導(dǎo)強(qiáng)化學(xué)習(xí)中的智能體快速準(zhǔn)確地理解學(xué)習(xí)；如何將遷移學(xué)習(xí)作為知識結(jié)合進(jìn)強(qiáng)化學(xué)習(xí)；如何通過領(lǐng)域知識將強(qiáng)化學(xué)習(xí)方法應(yīng)用到工業(yè)檢測中等。
4.2 先驗(yàn)知識無法支持演化算法的解決方法
針對如何將先驗(yàn)知識應(yīng)用到學(xué)習(xí)中以及以何種形式應(yīng)用的問題，目前有如下的研究和方法。一種是將樣本的緊密度信息作為先驗(yàn)知識應(yīng)用到支持向量機(jī)的構(gòu)造中。通過對緊密度的置信度進(jìn)行建模，通過模糊連接度可以將支持向量與含噪聲樣本進(jìn)行區(qū)分。此方法能夠得到具有更好抗噪性能及分類能力的支持向量機(jī)，通過將樣本的緊密度信息作為先驗(yàn)知識，不僅考慮到樣本類間中心距離，還考慮了樣本與類內(nèi)其他樣本的關(guān)系，通過模糊支持向量機(jī)加以區(qū)分。在工業(yè)檢測領(lǐng)域，缺陷樣本和正常樣本本身差距就不大，若能將樣本的緊密度信息加入訓(xùn)練，將有助于提升訓(xùn)練效果，能夠更加準(zhǔn)確地分離小缺陷、弱缺陷樣本。 ? 宣冬梅等給出了兩種將先驗(yàn)知識與深度學(xué)習(xí)模型融合的方法。第1種實(shí)質(zhì)上將深度學(xué)習(xí)得到的輸出作為給定樣本的條件概率，即加先驗(yàn)知識的隨機(jī)深度學(xué)習(xí)分類器(random deep learning classifier with prior knowledge, RPK)。第2種加入一個(gè)參數(shù)用以調(diào)整先驗(yàn)知識的稀疏性，即加先驗(yàn)知識的確定型深度學(xué)習(xí)分類器(deterministic deep learning classifier with prior knowledge, DPK)。這兩種方法得到的分類器都能更好地預(yù)測結(jié)果。但這兩種方法在多分類任務(wù)的識別率上不夠高，只能精確地進(jìn)行二分類任務(wù)。兩者都是在深度學(xué)習(xí)模型框架之內(nèi)加入了以矩陣形式存在的先驗(yàn)知識，這些先驗(yàn)知識可以是任何可矩陣化形式的內(nèi)容。在智能制造工業(yè)檢測領(lǐng)域，諸如用于檢測軸承缺陷的神經(jīng)網(wǎng)絡(luò)參數(shù)可作為用于檢測圓形注塑件的先驗(yàn)知識矩陣。 ? 另外，基于知識的強(qiáng)化學(xué)習(xí)在先驗(yàn)知識應(yīng)用中有著較大的優(yōu)勢。此類方法在分析預(yù)測方向有較好的表現(xiàn)，因此在工業(yè)檢測領(lǐng)域有巨大的發(fā)展前景。表4給出了4種典型方法。 ? 表4?基于知識的強(qiáng)化學(xué)習(xí)方法 Table 6?Knowledge-based reinforcement learning method
?
| 方法 | 特點(diǎn) | 典型實(shí)例 |
| 專家指導(dǎo) | 將專家引入到強(qiáng)化學(xué)習(xí)的智能體學(xué)習(xí)回路中，為智能體提供強(qiáng)化信號，而后通過監(jiān)督學(xué)習(xí)對該信號進(jìn)行建模。 | Knox和Stone(2009)提出的TAMER框架通過專家做的決策動(dòng)作預(yù)測長遠(yuǎn)的收益，填補(bǔ)了智能體自主學(xué)習(xí)無法預(yù)測深層利益的弊端。 |
| 回報(bào)函數(shù)指導(dǎo) | 將先驗(yàn)知識或過程經(jīng)驗(yàn)用以指導(dǎo)設(shè)計(jì)回報(bào)函數(shù)的方法，使回報(bào)函數(shù)更加科學(xué)和有助于收斂，如何準(zhǔn)確地指導(dǎo)設(shè)計(jì)是其中的關(guān)鍵(Mataric，1994)。 | Randl?v和Alstr?m(1998)教會(huì)系統(tǒng)學(xué)習(xí)騎自行車，證明了此方法的有效性；Ng等人(1999)利用回報(bào)勢函數(shù)衡量回報(bào)函數(shù)偏差，以衡量指導(dǎo)設(shè)計(jì)是否有效，使得80%的搜索具有目的性，僅20%是隨機(jī)的，在缺乏領(lǐng)域知識的情況下，仍然無法保證回報(bào)函數(shù)是否設(shè)計(jì)合理。 |
| 搜索策略指導(dǎo) | 在搜索策略中引入知識以提高探索能力，根據(jù)領(lǐng)域知識對Simhash函數(shù)輸入的特征進(jìn)行篩選，對權(quán)重進(jìn)行修改可提高學(xué)習(xí)能力(Tang等，2017)。 | Bianchi等人(2008)提出了定量的啟發(fā)式信息選擇動(dòng)作函數(shù)，使千量級的搜索過程降低到100步之內(nèi)，但未給出函數(shù)權(quán)重值的取值依據(jù)和方法。 |
| 模仿學(xué)習(xí) | 通過模仿一批人類專家的決策軌跡數(shù)據(jù)解決強(qiáng)化學(xué)習(xí)任務(wù)中多步?jīng)Q策搜索空間巨大的問題。 | Guo等人(2014)提出了蒙特卡羅樹搜索加神經(jīng)網(wǎng)絡(luò)的方法，進(jìn)行模仿學(xué)習(xí)策略，此方法能通過分類或回歸學(xué)習(xí)符合人類專家決策軌跡的策略模型，但卻因?yàn)橥ㄟ^拖慢節(jié)奏比實(shí)時(shí)慢幾個(gè)數(shù)量級而帶來較大的時(shí)間開銷。 |
?
上述研究結(jié)果表明，在先驗(yàn)知識和深度學(xué)習(xí)結(jié)合的過程中，形成了基于知識的強(qiáng)化學(xué)習(xí)理論，它的誕生也進(jìn)一步驗(yàn)證了先驗(yàn)知識在演化算法中應(yīng)用的有效性，這為通過先驗(yàn)知識提高智能制造工業(yè)檢測效果提供了一個(gè)重要方向。
5 結(jié)語
隨著計(jì)算機(jī)視覺在智能制造領(lǐng)域的深入，它涉及的應(yīng)用將更多更廣，發(fā)揮的作用也越來越大。從理論到應(yīng)用的這一過程中遇到了很多瓶頸問題，如何克服這些難點(diǎn)以及探索更實(shí)用的解決方案將是下一階段需要著重開展的研究工作。 ? 目前針對3個(gè)瓶頸問題的研究方法眾多，可從如下思路進(jìn)一步研究：
1) 針對計(jì)算機(jī)視覺應(yīng)用易受光照影響的問題，可設(shè)計(jì)黑箱式封裝的圖像采集設(shè)備，排除外界光照干擾，安裝在工業(yè)生產(chǎn)線上，從而達(dá)到實(shí)驗(yàn)室級別的檢測環(huán)境，從根本上解決光照影響問題。
2) 針對計(jì)算機(jī)視覺應(yīng)用中樣本數(shù)據(jù)難以支持深度學(xué)習(xí)的問題，可通過小樣本和不平衡樣本處理方法在不降低樣本數(shù)據(jù)質(zhì)量的同時(shí)增大樣本數(shù)據(jù)量，并且結(jié)合傳統(tǒng)方法如模板匹配和相似度檢測來輔助增加檢測準(zhǔn)確率。
3) 針對計(jì)算機(jī)視覺應(yīng)用中先驗(yàn)知識難以加入演化算法的問題，除了從訓(xùn)練和預(yù)測階段入手，在決策的判斷上也可做基于先驗(yàn)知識的判定。如在合格率較高的零件檢測中，一些不常見的錯(cuò)誤判定可以根據(jù)先驗(yàn)知識修改為正確判定，從而提高準(zhǔn)確率。
編輯：黃飛
?
工商網(wǎng)監(jiān)
評論