康耐視部落格

運用 AI、機器學習及深度學習進行工業自動化檢測,各有何差異呢?

AI vs deep learning vs machine learning

當和人工智慧有關時,實情與行銷行話通常難以區分,特別是在工廠自動化檢測方面。AI 已深入我們日常生活的許多層面,而這項技術在許多其他方面,卻仍屬於未來概念。

電子郵件用戶端的垃圾郵件篩檢程式運用 AI,讓您不必閱讀那些討厭的垃圾郵件。另一方面,像星際大戰的 C-3PO 那樣能夠通過圖靈測試的機器人,只存在科幻電影與電視節目中。過去幾年間,由於運算威力與雲端儲存空間的成本迅速改善,以及從圖像、文字、軟體交易等產生的資料量增加,造成使用 AI 的實例爆增。

像是 AI、機器學習以及深度學習等詞彙經常會互換使用,卻幾乎沒有提供關於各個詞彙意義的解釋或來龍去脈。瞭解人工智慧包括機器學習與深度學習在內的不同特點,才會較容易瞭解這項技術對現今的製造廠商與工廠有無助益。

人工智慧 – 以邏輯設計程式的工作

首先,人工智慧是電腦科學的分支,其中的電腦系統可像人類一樣執行工作 (例如圖像分類、語音辨識、語言翻譯),表現可與人類相當,或更為出色。邏輯概念誕生於 1950 年代電腦科學首創之時。

AI 可大致細分為兩種:狹義 AI 與通用 AI。「通用 AI」是指機器人能像人類一樣行動與思考的未來概念。也許有一天,我們必須和有感情的機器人應對相處,但本文只將重點放在「狹義 AI」,其是指為了像人類一樣執行特定工作而設計的任何電腦系統。

AI 是建立智慧演算法的鐵律。在早期,AI 不過是一組以程式設計的電腦指令。現在,從一套複雜的邏輯,到能根據參考範例,再加上人類設計的基本程式,便可產生結果的自我學習演算法,林林總總都涵蓋在內。

交通號誌的運作就是現實世界的 AI 範例。昔日需要人類才能從紅燈成綠燈,現在透過智慧邏輯與程式設計,便可讓綠燈在保持 45 秒後,轉變成紅燈。這稱為定時控制。交通號誌網路還有其他程式設計方式,例如一路上都保持綠燈,讓駕駛不停前進的連鎖控制。基本上,路燈的運作就是設計程式來完成特定工作,讓人類不必再親自動手。

機器學習 – 人工智慧的應用 

機器學習是 AI 開發的分支,並可視為實現 AI 的手段。機器學習就是在實務上使用演算法,讓電腦系統能夠從資料中學習並做出決策。

經過多年,決策演算法已包括決策樹、群集分析、強化學習以及貝氏網路等等。回頭參考交通號誌範例,機器學習演算法可用來協助根據當日時間或交通擁擠程度,決定從紅燈切換成綠燈的最佳時間長度。像是內華達州的拉斯維加斯已在試驗這種做法,希望機器學習能發揮作用,協助讓交通擁擠程度降低 40%。機器學習可協助城市更進一步,不只有設計交通號誌的程式,還能根據撰寫的程式邏輯,運用從車輛產生的資料做出最佳決策。

最後,機器視覺是機器學習的其中一項最佳用途。運用攝影機擷取的圖像資料,以及對那些圖像應用分類器、定位工具,甚至是光學字元辨識等眾多不同的演算法,機器視覺軟體能夠判斷組件存在與否、測量兩個邊緣之間的寬度,或識別輪胎上的字元字串等等。

康耐視將機器視覺視為傳統所用或基於規則來解決檢測難題的方法。我們的規則 (嚴格來說是演算法) 真的只是軟體工具,人類可用來設計特定工作的程式,例如尋找組件的兩個邊緣,然後判斷這兩個邊緣之間的寬度。我們並不將它們視為機器學習或 AI,即使其可能都屬於該分類。

深度學習 – 接下來的檢測發展 

由於技術持續不斷進步,深度學習演算法是最新受到矚目的人工智慧分支。深度學習建立在機器學習的發展之上,但有幾個重要差異。

深度學習不仰賴人類透過電腦演算法設計工作的程式,而是透過基於範例的方法,模擬人類學習來達到所要的結果。運用神經網路,基於深度學習的檢測應用可從龐大的資料組建立連結與點模式。

例如,假設製造廠商想要偵測所製造產品中的缺陷。透過傳統機器視覺來達成是其中一種方法。使用傳統視覺,工程師必須在設計的檢測程式中,明確地撰寫可能出現的上百萬種變化:缺陷的大小與類型、缺陷的位置等等。本身的變化使得維護應用和設計其程式,都變得非常耗時。

使用基於深度學習的方法,演算法會吸收使用者所提供範例的知識,並自動瞭解受檢測組件的各項特徵。建立可學習合格組件的外觀,甚至是其些微變化的檢測,解決方案就能在發現看來像是掛擦、異物或其他視覺缺陷時,予以標示出來。接著,使用者可再提供更多資料,以供工具從中學習,持續改善解決方案。深度學習應用取得的資料越多,其發現異常的表現會隨時間越來越出色。

工廠自動化檢測的未來

雖然許多公司都將人工智慧當成行銷行話到處使用,但請務必瞭解其意義與能耐 (能與不能),特別是在工廠自動化環境。

用以解決檢測的方法是基於範例或基於規則,或甚至結合使用兩者,在未來可能都無關緊要。目前,每一種方法都有其本身的強項與弱項,並應視情況來採用。

如需深入瞭解基於範例與基於規則的檢測之間的差異,請下載免費電子書:比較深度學習與機器視覺。 

 

其他文章

運用 AI、機器學習及深度學習進行工業自動化檢測,各有何差異呢?

AI vs deep learning vs machine learning

當和人工智慧有關時,實情與行銷行話通常難以區分,特別是在工廠自動化檢測方面。AI 已深入我們日常生活的許多層面,而這項技術在許多其他方面,卻仍屬於未來概念。

電子郵件用戶端的垃圾郵件篩檢程式運用 AI,讓您不必閱讀那些討厭的垃圾郵件。另一方面,像星際大戰的 C-3PO 那樣能夠通過圖靈測試的機器人,只存在科幻電影與電視節目中。過去幾年間,由於運算威力與雲端儲存空間的成本迅速改善,以及從圖像、文字、軟體交易等產生的資料量增加,造成使用 AI 的實例爆增。

像是 AI、機器學習以及深度學習等詞彙經常會互換使用,卻幾乎沒有提供關於各個詞彙意義的解釋或來龍去脈。瞭解人工智慧包括機器學習與深度學習在內的不同特點,才會較容易瞭解這項技術對現今的製造廠商與工廠有無助益。

人工智慧 – 以邏輯設計程式的工作

首先,人工智慧是電腦科學的分支,其中的電腦系統可像人類一樣執行工作 (例如圖像分類、語音辨識、語言翻譯),表現可與人類相當,或更為出色。邏輯概念誕生於 1950 年代電腦科學首創之時。

AI 可大致細分為兩種:狹義 AI 與通用 AI。「通用 AI」是指機器人能像人類一樣行動與思考的未來概念。也許有一天,我們必須和有感情的機器人應對相處,但本文只將重點放在「狹義 AI」,其是指為了像人類一樣執行特定工作而設計的任何電腦系統。

AI 是建立智慧演算法的鐵律。在早期,AI 不過是一組以程式設計的電腦指令。現在,從一套複雜的邏輯,到能根據參考範例,再加上人類設計的基本程式,便可產生結果的自我學習演算法,林林總總都涵蓋在內。

交通號誌的運作就是現實世界的 AI 範例。昔日需要人類才能從紅燈成綠燈,現在透過智慧邏輯與程式設計,便可讓綠燈在保持 45 秒後,轉變成紅燈。這稱為定時控制。交通號誌網路還有其他程式設計方式,例如一路上都保持綠燈,讓駕駛不停前進的連鎖控制。基本上,路燈的運作就是設計程式來完成特定工作,讓人類不必再親自動手。

機器學習 – 人工智慧的應用 

機器學習是 AI 開發的分支,並可視為實現 AI 的手段。機器學習就是在實務上使用演算法,讓電腦系統能夠從資料中學習並做出決策。

經過多年,決策演算法已包括決策樹、群集分析、強化學習以及貝氏網路等等。回頭參考交通號誌範例,機器學習演算法可用來協助根據當日時間或交通擁擠程度,決定從紅燈切換成綠燈的最佳時間長度。像是內華達州的拉斯維加斯已在試驗這種做法,希望機器學習能發揮作用,協助讓交通擁擠程度降低 40%。機器學習可協助城市更進一步,不只有設計交通號誌的程式,還能根據撰寫的程式邏輯,運用從車輛產生的資料做出最佳決策。

最後,機器視覺是機器學習的其中一項最佳用途。運用攝影機擷取的圖像資料,以及對那些圖像應用分類器、定位工具,甚至是光學字元辨識等眾多不同的演算法,機器視覺軟體能夠判斷組件存在與否、測量兩個邊緣之間的寬度,或識別輪胎上的字元字串等等。

康耐視將機器視覺視為傳統所用或基於規則來解決檢測難題的方法。我們的規則 (嚴格來說是演算法) 真的只是軟體工具,人類可用來設計特定工作的程式,例如尋找組件的兩個邊緣,然後判斷這兩個邊緣之間的寬度。我們並不將它們視為機器學習或 AI,即使其可能都屬於該分類。

深度學習 – 接下來的檢測發展 

由於技術持續不斷進步,深度學習演算法是最新受到矚目的人工智慧分支。深度學習建立在機器學習的發展之上,但有幾個重要差異。

深度學習不仰賴人類透過電腦演算法設計工作的程式,而是透過基於範例的方法,模擬人類學習來達到所要的結果。運用神經網路,基於深度學習的檢測應用可從龐大的資料組建立連結與點模式。

例如,假設製造廠商想要偵測所製造產品中的缺陷。透過傳統機器視覺來達成是其中一種方法。使用傳統視覺,工程師必須在設計的檢測程式中,明確地撰寫可能出現的上百萬種變化:缺陷的大小與類型、缺陷的位置等等。本身的變化使得維護應用和設計其程式,都變得非常耗時。

使用基於深度學習的方法,演算法會吸收使用者所提供範例的知識,並自動瞭解受檢測組件的各項特徵。建立可學習合格組件的外觀,甚至是其些微變化的檢測,解決方案就能在發現看來像是掛擦、異物或其他視覺缺陷時,予以標示出來。接著,使用者可再提供更多資料,以供工具從中學習,持續改善解決方案。深度學習應用取得的資料越多,其發現異常的表現會隨時間越來越出色。

工廠自動化檢測的未來

雖然許多公司都將人工智慧當成行銷行話到處使用,但請務必瞭解其意義與能耐 (能與不能),特別是在工廠自動化環境。

用以解決檢測的方法是基於範例或基於規則,或甚至結合使用兩者,在未來可能都無關緊要。目前,每一種方法都有其本身的強項與弱項,並應視情況來採用。

如需深入瞭解基於範例與基於規則的檢測之間的差異,請下載免費電子書:比較深度學習與機器視覺。 

 

其他文章

取得產品支援與訓練等等

加入 MyCognex

是否有任何疑问?

世界各地的康耐视代表可以随时为您提供支持,满足您的视觉和工业读码需求。

聯絡我們
Loading...