技本功丨網際網路+工業視覺異常檢測分析
胡豐——袋鼠雲高階演算法專家
袋鼠雲人工智慧實驗室負責人。十年影象處理、模式識別、機器視覺等方面的研發工作,主要研究領域為:智慧交通、工業視覺分析、OCR、視訊智慧質量診斷、智慧球機跟蹤、人臉等方向,發表第一作者發明專利十餘篇、國際發明專利一篇。
我國工業網際網路已經形成“三條途徑”:一是打造智慧工廠,提高企業內部生產效率,通過網際網路技術以及一些相關的機器視覺、圖象演算法、模式識別的方式,提高企業的生產效率;二是打造智慧產品,延伸企業外部的價值鏈;三是匯聚產業鏈資源,實現向平臺運營的轉變,打造資料驅動的生態運營能力。
基於網際網路的條件下,結合工業場景,提出端加雲的解決方案,方案如下圖:
在該解決方案部署中分為本地端和雲端。在本地端中分成兩部分:一個是資料層,資料層在一些生產裝置以及相應的業務系統中實時會場生成的資料;另一個是本地執行層,產生的資料經過本地執行層,執行層實時獲取資料,獲取資料之後,一方面進行資料的儲存,另一方面對獲取到的資料進行模型計算,計算完之後進行決策,決策後又可以進行下一輪的操作。
在雲端接收離線的序列資料,在雲端基於大資料平臺進行一個模型分析及模型訓練,訓練之後把更新的模型再下發到本地進行更新,依次迴圈可以不斷的提高系統能力及演算法能力。
基於機器視覺的應用場景分析
人類對世界的認知非常簡單,我們可以一眼看出一個水果是蘋果還是橘子。但換成計算機,怎麼寫個程式讓機器來分辨人和貓、蘋果和橘子呢?實際上在我們考慮的過程中,可以基於以下幾個方面進行思考,首先以我們最直觀的方式來看,比如說顏色、形狀、紋理、邊緣輪廓等,轉換成計算機,我們通過顏色直方圖把最低的三個分量特徵都提取
最左邊的結構特徵實際上是一個心理學圖,不同的人看到的維度不同,有一些人看到的是白色的一個酒杯,但是換成另外一些人去看,這是兩個面對面的人臉,這種通過圖象分析可以把結構提出來,然後右邊菱形的結構,以及一些知識相簿的紋理結構,都是結構特徵。
深度學習提取特徵
前面是傳統的圖象處理常用方法,採用基於深度學習的特徵提取方法。深度學習的方法相對來說比較簡單,就
異常檢測分析
特徵提取完之後,進行異常檢測分析。圖中目標是讓我們在圖裡面去找出哪一個是與其他不一樣?因為工業場景中會有一些異常的目標異常分析,異常分析跟上圖是挺相似的,在工業中也是一樣,我們就是要把異常目標給自動定位分類出來。
對於異常目標分析,首先是要進行一個模型訓練,模型訓練過程是這樣的,先是對獲取到的圖象進行特徵提取,比如說像一些顏色紋理、一些結構,甚至是用一些深度學習的方法自動去提取特徵,提取特徵之後建立模型,得到一個模型表示式,比如說我們模型可以用圖中這個分佈函式來表示,模型的分佈形式跟我們建立的方法有關係,我們可能是用一些資訊方法,也有可能是二維的曲面,或者多維的曲面。
以二維的平面為例,假設模型提取的特徵為x1,x2 ,我們學到的模型是一個分類面,分類面裡面有一個正常的樣本,同時假設x1,x2正相關,即x1越大,x2也就越大,通過模型計算可以將紅色的異常點自動檢測出來。現在對待這種異常,在分類面之外我們可以自動的分出來。
模型訓練完之後肯定要進行使用,使用的時候先把訓練好的模型部署到產線上,產線上啟動後實時對圖象進行獲取,然後進行特徵提取,經過模型輸出最終的決策。在一些產線的分析過程中,實時去監測一些關鍵的曲線,對這些曲線進行視覺化的實時輸出結果,比如圖中這些曲線,我們在做的過程中的一些關鍵因素通過曲線的方式打印出來。
通過曲線可以去回判維繫,比如說我們是哪一個產線,或者是哪一臺機器出了問題,然後這個曲線跟歷史相對應的會出現一些異常,利用曲線實時去決策,以及可以根據一些歷史的資訊去判斷,這些機器是什麼時候開始出現這些故障的。
影象場景分析
我們還有產線管道熱輻射管道監控,在產線有一些燃油傳輸管道,還有一些特殊液體的傳輸管道,我們要實時去監控,液體經過有一個溫度,如果溫度過高,很容易會造成產線管道的快速老化,一些老化之後會爆開或者裂開滲漏出來,我們採用紅外方式獲取一個實時圖象,然後對圖象再進行分割,之後再進行一個標註,像藍色代表數字方向的一個管道,綠色是橫向的一個管道。標註完之後對應標註管道進行曲線的監控,得到右邊的工作監控圖,通過這個圖就可以知道管道的實時溫度,以及相關的監控值。這樣可以繼續幫助廠商從歷史體系圖中檢視相關的情況。
寫在文末:
11月3日AICUG人工智慧技術沙龍網易專場活動中,袋長老胡豐為大家分享了《工業品缺陷異常檢測及識別》的內容,此篇文章也是基於演講內容來撰寫。