近年來,各類公司紛紛引進和推廣深層次學習技術(shù).然而,在深入學習方面,仍有兩大問題有待解決。一種是需要準備大量的訓練數(shù)據(jù),另一種是在最初訓練階段需要大量的反向傳播和其他計算。后者通常在具有高性能的GPS的服務(wù)器上執(zhí)行,位于云中,因此非常耗電。因此,在邊緣設(shè)備上進行訓練是不現(xiàn)實的。然而,有一種技術(shù)可以執(zhí)行訓練和推理,從少量數(shù)據(jù)中提取特征。這種技術(shù)被稱為稀疏建模。

在本文中,我們將比較稀疏建模和深入學習;涵蓋了稀疏建模是有益的使用案例;并解釋了稀疏建模訓練和推理的機制。此外,還將介紹利用稀疏建模技術(shù)的視覺檢測應(yīng)用實例。在這種情況下,我們將涵蓋在飛行起重機模式,這是一個傳統(tǒng)的模式日本紙張。

什么是稀疏建模 ?

"稀少"一詞的定義是"微弱的分散或分散"。稀疏建模是基于基本信息實際上非常有限的假設(shè)(因此"稀疏分布")。該技術(shù)識別并提取輸出的輸入數(shù)據(jù)中的基本信息。

稀疏建模識別不同數(shù)據(jù)之間的關(guān)系。當輸出時,稀疏建模并不關(guān)注輸入數(shù)據(jù)本身,而是關(guān)注輸入和輸出數(shù)據(jù)之間的關(guān)系。通過關(guān)注數(shù)據(jù)之間的關(guān)系,輸入數(shù)據(jù)本身的數(shù)量和質(zhì)量并不重要。因此,只需要少量數(shù)據(jù)。稀疏建模是機器學習中的一種無監(jiān)督學習方法。

深入學習通常在可以準備足夠數(shù)據(jù)和注釋的應(yīng)用程序中提供高性能(例如:,供自動駕駛使用。然而,稀疏建模擴大了AI應(yīng)用的范圍,以使用無法收集大量數(shù)據(jù)的情況,而可解釋性是非常重要的。

稀疏建模與深度學習的比較

有限的建?？梢蕴幚硐駮r間序列這樣的一元數(shù)據(jù)和像圖像這樣的二維數(shù)據(jù)。成像應(yīng)用包括缺陷插值、缺陷檢測(異常檢測)和超分辨率。圖1展示了在太陽能電池板檢測中檢測缺陷圖像任務(wù)的傳統(tǒng)機器學習方法與稀疏建模的比較。您可以看到,稀疏建模所需的培訓數(shù)據(jù)量(圖像數(shù)量)大大小于深入學習的數(shù)據(jù)量。然而,稀疏建模的精度超過90%--訓練時間只有19秒。

圖1人工智能太陽能電池板缺陷檢測性能比較。

稀疏建模有益的應(yīng)用

即使只有少量的訓練數(shù)據(jù)也能有效建模.這是因為它從訓練階段的輸入數(shù)據(jù)中提取出必要的特征?？匆豢次挥诠I(yè)制造現(xiàn)場的視覺檢查應(yīng)用程序的例子,通常有大量的"好"數(shù)據(jù),但很少有壞數(shù)據(jù)。這是一個稀疏建模作為AI解決方案的例子。

對于模型的創(chuàng)建來說,簡潔的建模是很便宜的,因此它不僅使我們能夠在邊緣設(shè)備上執(zhí)行推理,而且還可以進行訓練。

當談到在邊緣設(shè)備上同時進行訓練和推理的人工智能模型時,Hacarus稱之為"真正的邊緣"。通過邊緣培訓,沒有必要將數(shù)據(jù)發(fā)送到外部位置(例如:,云中的一個服務(wù)器)導致了較少的數(shù)據(jù)安全問題?？蹈窭锟撕凸斔谷斯ぶ悄芄ぞ甙?圖2)是一個能夠在邊緣執(zhí)行稀疏建模的設(shè)備的例子。這個設(shè)備是由一個康格里克盒-PC和一個哈卡魯斯人工智能工具包-包括視覺檢測軟件光譜核心。

圖2康格拉克盒-PC和哈卡魯斯人工智能工具包。

使用稀疏建模進行培訓和預(yù)測

圖3顯示了使用稀疏建模進行視覺檢查的總體流程。

圖3視覺檢查系統(tǒng)的整體流程.

在這個例子中,目標是檢測作為異物的穿孔金屬上的螺絲。首先,制備無異常穿孔金屬的圖像。為了避免由于相機角度和目標位置的不同而產(chǎn)生錯誤,建議從略有不同的角度準備幾十個訓練圖像。在訓練階段,這些訓練圖像被輸入到訓練算法中,以創(chuàng)建一個AI模型。如果檢查目標沒有改變,只需要創(chuàng)建一次AI模型。

在預(yù)測階段,我們將帶有螺絲釘?shù)念A(yù)測圖像以及AI模型輸入到推理算法中,以進行推理。由于推理的結(jié)果,生成了一個在外部對象的位置周圍有紅色框架的圖像。

培訓階段的詳細情況見圖4。首先,訓練圖像被劃分為稱為補丁的小片段。然后,字典學習算法分析補丁并提取特征圖像模式.在這個例子中,64個不同類型的孔在穿孔的金屬。它們都被稱為基地,而AI模型(也被稱為訓練有素的字典)是64個基地的集合。

圖4異常檢測訓練階段。

預(yù)測階段的細節(jié)如圖5所示。首先,我們將預(yù)測圖像(A)分解為與訓練階段大小相同的補丁。對于每個已分解的補丁,選擇一個AI模型的基礎(chǔ)并進行組合,以找到最能代表補丁的組合。這個過程被應(yīng)用到所有的補丁和拼接在一起,以產(chǎn)生一個近似的圖像使用AI模型。我們稱之為重建圖像(b)。

圖5異常檢測的預(yù)測階段。

在重建圖像(b)中,接近訓練圖像的圖像特征的位置與預(yù)測圖像(a)非常相似,在這種情況下,是一個規(guī)則的小孔圖案。相比之下,培訓圖像中未包括的具有圖像特征的地點,即:,安裝螺絲的位置,在人工智能模型中所包含的基礎(chǔ)上沒有很好的表示。在那個位置,重建的圖像和預(yù)測的圖像有所不同.因此,可以檢測到一種外來物質(zhì)。外來物體檢測圖像(c)中的紅色區(qū)域表示外來物體的位置。

利用稀疏建模技術(shù)的視覺檢查應(yīng)用

我們利用飛鶴圖像(圖像尺寸640像素x480像素)進行了一個劃痕檢測實驗,這是日本傳統(tǒng)紙張的經(jīng)典設(shè)計。實驗環(huán)境如圖2所示。

訓練

圖6所示13幅正常圖像用于培訓。該數(shù)據(jù)集不到深入學習所需圖像的十分之一。雖然在13幅圖像中,起重機的圖案是一樣的,但這些圖像中起重機的位置略有不同。其原因是為AI模型提供了翻譯不變性。

圖6日本紙飛行起重圖案訓練圖像。

缺陷檢測實例

預(yù)測圖像顯示在圖7的左側(cè)。在左下角的起重機上,抓痕部分重疊。在預(yù)測圖像中,劃痕是作為一個外來物體檢測出來的,周圍是一個紅色的框架。因此,AI模型能夠檢測到由于抓撓而引起的起重機形狀的變化,因為它已經(jīng)了解了起重機的形狀。

圖7起重機上的一個抓痕。

訓練圖像尺寸及訓練時間

圖8顯示了飛行起重機模式的訓練圖像尺寸和訓練時間。在13個訓練圖像的情況下,1280像素x960像素的大小,訓練時間只有大約16秒。訓練時間比深入學習的時間短得多。隨著圖像尺寸的減小,學習時間幾乎以線性的形式減少。

圖8訓練形象尺寸與訓練時間。

預(yù)測圖像尺寸和預(yù)測時間

圖9顯示了飛行起重機模式的預(yù)測圖像大小和預(yù)測時間圖。每1280像素x960像素的預(yù)測圖像尺寸的訓練時間大約只有0.6%秒.隨著圖像尺寸的減小,480像素x360像素的學習時間幾乎線性減少到不到0.1秒。

圖9預(yù)測圖像尺寸與預(yù)測時間。

檢測精度

圖10顯示了使用光譜(Hacarus的視覺檢查解決方案)對另外100幅工業(yè)圖像進行評估的結(jié)果。我們獲得了非常積極的結(jié)果,準確率為96%,精確率為100%,繁殖率為95.65%。圖中的異常值是一個內(nèi)部光譜指示器,它的值從0到1,而值越高,異常值就越高。水平軸表示異常值,垂直軸表示總分的累計百分比。紅色的圖表顯示異常程度在0.133附近,涵蓋所有缺陷產(chǎn)品。

圖10準確結(jié)果。

結(jié)論

我們討論了稀疏建模和深度學習的比較,稀疏建模的應(yīng)用,以及稀疏建模中的培訓和預(yù)測機制。通過采用稀疏建模的視覺檢測程序--光譜核技術(shù),成功地實現(xiàn)了日本傳統(tǒng)紙樣和飛行起重機的劃痕檢測。實驗結(jié)果表明,實驗結(jié)果的準確性、準確性和再現(xiàn)性較高。