康耐視部落格

神經網路如何幫助製造業檢測

neural network banner

電子郵件中的自動文字產生、語音辨識、醫療圖像分析、舊相片著色、個人化線上廣告、策略遊戲電腦,以及可開啟行動電話的人臉辨識等,所有範例全都可看出人工智慧如何讓我們的生活更輕鬆、更歡樂、更令人提心吊膽,而且有人會說整體而言更有趣。這在工廠自動化並無差別,製造業的人工智慧正在對複雜且棘手的檢測應用,推動全新方法。

這些基於 AI 的應用均由以神經網路運作為基礎的深度學習驅動。

神經網路最初由芝加哥大學研究人員 Warren McCullough 與 Walter Pitts 於 1944 年提出,這兩位於 1952 年轉至 MIT,成為有時亦稱為認知科學系的創始成員。

什麼是神經網路?

神經網路的核心是電腦程式,設計來模擬人腦運作的方式。神經網路中的每個程式都只能執行基本計算。透過將無數節點連結在一起,整體合作的計算威力是節點各自單打獨鬥所遠遠不及。當神經網路在系統內的程式間傳遞輸入資料時,神經網路會自我訓練,並使用該資料以變得更聰明,就像是人類在學習資訊一般。

接著,神經網路成為電腦學會執行特定工作的方式,像是在不同相片間辨識出特定臉孔,或從一組狗的參考圖片來識別是不是狗。

康耐視深度學習的產品行銷經理 Bob Ochiai 表示:「深度學習之所以可行,都是因為有神經網路。神經網路與深度學習都只是的工具,可讓人類用來建立更聰明應用,讓我們的工作更有效率,並解決大部分情況下的特定複雜應用。」

神經網路中的每個程式都稱為神經元,而這些神經元都會與數目不拘的其他神經元連結。神經元之間的連結越牢固或越有效率,神經網路的表現就越傑出。在神經網路內的神經元間形成連結的過程,就稱為訓練。

 深度學習神經網路

隨著資料通過每一層神經網路,系統會不斷訓練並微調,使其設定要解決的特定工作輸出越來越精準。例如,在工廠自動化環境中,會使用神經網路來解決複雜的缺陷探測,或識別其他產品不規則處,因其為數眾多而無法建立基於規則的程式。

系統的學習方式是透過下列三種方法:

  • 監督式學習:此學習策略最簡單,因為電腦會透過一組加上標籤的資料學習,並不斷修改演算法,直到其能夠處理該組資料,以獲得想要的結果為止。
  • 非監督式學習:沒有一組加上標籤的資料可供學習時,常會採用此策略。神經網路會分析該組資料,然後成本函數會告知神經網路,結果和目標相差多遠。神經網路再予以調整,以提升演算法的精準度。
  • 強化學習:使用此演算法,神經網路會強化正面結果,並懲治負面結果,強迫神經網路隨著時間不斷學習。

神經網路對製造業檢測的衝擊

假設,有間汽車組件公司想要識別所製造保險桿上的掛擦。不可能預判出保險桿上哪些位置可能會出現刮傷。尋找和識別掛擦的作業,並無法真正有效地將程式設計成機器視覺應用,原因是掛擦的變化可能或深或淺、或長或短,還可能出現在表面的任何位置。

想要解釋這樣變化會變得很複雜,除非您能夠訓練應用,識別良好保險桿的外觀,然後標示落在那些參數之外的任何保險桿。

Ochiai 表示:「因神經網路促成的深度學習圖像分析功能,可以更容易讓公司將採用傳統機器視覺時相當複雜或棘手的檢測自動化。想一想大部分仍由人工進行的裝配檢測。或另一個範例:缺陷探測,這項技術將對製造廠商的自動化策略帶來助益。」

神經網路的測試功能辨識圖案的能力強大。但正如 Ochiai 所指出,加上標籤的資料需有非常優異的品質,神經網路才能成功訓練其模型。此外,它還需要大量參考圖像資料,使得情況更形複雜。

如需深入瞭解神經網路與深度學習如何解決複雜的製造業檢測難題,請下載比較深度學習與機器視覺指南。

 

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