设为首页 | 加入收藏 | 联系我们
咨询热线:

产品展示

当前位置:主页 > 行业新闻 >

机器视觉的现状和未来发展趋势剖析

机器视觉的现状和未来发展趋势剖析
  • 产品名称:机器视觉的现状和未来发展趋势剖析
  • 产品简介:深度学习是人工智能的热门发展方向之一,将推进咱们步入操控规划和工业物联网的新台阶。机器视觉在工业操控范畴极其重要,凭借这些技能,运用数据驱动布置杂乱的机器和设备......

产品介绍:

深度学习是人工智能的热门发展方向之一,将推进咱们步入操控规划和工业物联网的新台阶。机器视觉在工业操控范畴极其重要,凭借这些技能,博天堂游戏大厅运用数据驱动布置杂乱的机器和设备。

为了比竞争对手更好地效劳其方针客户,当今的嵌入式规划团队正在寻求机器学习(ML)和深度学习(DL)等新技能,以便在有限的资源下准时向商场开发和布置杂乱的机器和设备。凭借这些技能,团队可以运用数据驱动的办法构建杂乱的单体系或多体系模型。ML和DL算法不是运用依据物理学的模型来描绘体系的行为,而是透过数据推断出体系的模型。传统ML算法适用于处理数据量相对较小且问题的杂乱度较低的状况。但假如是像自动驾驶轿车这样的大数据问题呢?处理这个应战需求选用DL技能。本文介绍了这种新式技能将怎么推进咱们进入操控规划和工业物联网(IIoT)运用的下一个年代。

1ML技能在工业财物状况监测中的运用

首要考虑机器学习(ML)技能在工业财物状况监测中的运用。ML有助于将依据状况的监测运用从被迫保护和预防性保护转变为猜测性保护。这些技能常用于检测反常行为和确诊问题,并在必定程度上猜测电机、水泵和涡轮机等工业财物的剩下运用寿命。

依据ML的模型开发和布置流程如图1所示。

图1依据机器学习的剖析流程

看看这个作业流程是怎么用来监控电机的健康状况的。数据是从加速度计、热电偶和衔接到电机的电流传感器等多种类型的传感器收集而来。特征工程进程一般由两部分组成:特征提取和特征约简。特征提取用于从原始数据(或波形)中导出有助于了解财物健康状况的信息。例如,来自电机的电流信号的频谱中嵌入了可用于检测毛病的信息,如图2所示。频谱中不同频带上的均匀振幅可用作为从电流信号中提取的特征。从多个传感器提取的特征可能包含冗余信息。可以运用主成分剖析(PCA)等特征约简办法来削减终究用于树立模型的特征的数量。特征的数量削减,意味着要运用的ML模型的杂乱性降低了。削减的特搜集表明为向量(或数组),并输入到ML算法中,ML算法将用于模型创立进程。模型创立和验证是一个迭代进程,在这个进程中,您可以测验运用几种ML算法,并挑选最适合您运用的算法。

图2对电机电流信号进行特征约简

图3特征工程

无监督的ML算法(如高斯混合模型(GMM))可用于模仿电机的正常行为,并检测电机何时开端违背其基线。无监督的办法不需求符号数据就可以发现数据中的躲藏办法。无监督的技能首要用来检测电机的反常,监督算法则用于检测反常的原因。在有监督的办法中,算法以输入数据和希望输出的组合表明。这个数据称为标签数据。算法会学习函数将输入映射到输出。用于练习ML算法的数据包含在正常和过错条件下提取的特征。运用表明电机状况的标签可清楚地标识特征。常用的监督ML算法包含支撑向量机(SVM)、逻辑回归和人工神经网络。

传统ML技能面对的应战是特征提取进程。这个进程需求专业的范畴常识,并且十分简单犯错,一般是ML作业流程中的毛病点。因而现在越来越多人选用DL算法,因为它们无需运用特征工程进程。从传感器收集的数据(原始丈量数据)可以直接输入到DL算法中,如下所示。

图4深度学习作业流程

DL算法依据人工神经网络。人工神经网络学习算法遭到生物神经网络的结构和功用的启示。这些算法选用彼此衔接的核算节点(人工神经)组的办法结构,而核算节点选用层的结构办法。第一层称为输入层,作为与输入信号或数据的衔接接口。终究一层是输出层,该层中的神经元输出终究的猜测或决议。在输入层和输出层之间,有一个或多个躲藏层(图5)。每一层的输出通过加权衔接的办法衔接到下一层的节点。神经网络通过修正这些权重来学习输入和输出之间的映射。通过运用多个躲藏层,DL算法可以学习需求从输入数据中提取的特征,而不需求将特征明确地输入到学习算法中。这就称为特征学习。

图5前馈人工神经网络

2IIoT中运用DL需求考虑的要素

深度学习最近在IIoT运用中取得了成功,首要归功于更强壮的硬件核算才能、巨大的符号练习数据库、学习算法和网络初始化的突破性发展以及开源软件结构的可用性。

以下是运用此技能规划体系的一些首要考虑要素。

拓扑结构-深度学习是一个不断发展的范畴,现在有许多网络拓扑现已得到运用[1]。接下来将评论其间一些有望用于操控和监测IIoT运用的网络。

·彻底衔接的深度神经网络通过许多躲藏层彻底衔接人工神经网络(因而称为深度神经)。这些网络都是超卓的函数迫临器,比方,可以用于电力电子操控的运用。假如要运用深层网络来构建操控器,可以运用要操控的体系的仿真模型来生成练习数据。借此,您可以探究运用传统办法一般难以操控的状况(鸿沟/转角条件)。

·卷积神经网络规划为可利用输入图画或语音信号等输入信号的二维结构。卷积网络由一个或多个卷积层(滤波层)组成,随后是彻底衔接的多层神经网络。这些网络可成功检测图画中的缺点以及辨认方针,现已运用到先进驾驶员辅佐体系中的场景了解。

·递归神经网络(RNN)选用的是依据次序(或前史)信息进行猜测的算法。这些网络适用于时刻序列剖析。传统的神经网络假定一切的输入(和输出)在时刻或抵达次序上是彼此独立的。RNN记载的是状况信息,可以存储关于曩昔的信息,并运用当时已核算的信息进行下一个猜测。在IIoT运用中,RNN有助于学习前史行为,并依据前史行为来猜测未来事情,如财物的剩下运用寿命(RUL)。长短期回忆(LSTM)网络十分适用于这类运用。[2]

·深度强化学习(DRL)适用于规划在杂乱动态环境中运转的自习惯操控体系。比方操控库房操作机器人,这些机器人有必要动态习惯新任务。以强化学习为根底的操控器通过执行任务后所取得的奖赏来一步步完结方针。例如,操控器接纳显现机器人手臂当时方位的摄像机图画,并通过图画中的信息学习怎么将手臂移近方针。[3]依据DL的操控器可以运用机器人模仿器或通过调查操作中的机器人来进行练习。

图6用于机器人操控运用的深度强化学习

练习-深度神经网络需求很多的练习数据,最好包含网络要学习的一切不同状况或条件的数据。关于大多数运用来说,可用的数据首要来自体系的正常作业状况,仅对其他状况的数据进行少数的采样。数据增强技能可改进数据中的这一不平衡性,您可以从已有的少数样本为根底,通过变换数据创立更多组成版别。您也可以运用体系的仿真模型来创立练习数据。另一个应战是要收集练习这些网络所需的巨大数据十分困难。搬迁学习可以处理这个问题。凭借搬迁学习,您可以以一个预先练习的神经网络为起点(大多数DL软件结构供给了通过彻底练习的模型,并且可供下载),并运用运用程序中的数据对其进行微调。

硬件—练习深度网络对处理功能的要求十分高。GPU现已成为练习深度网络的首要挑选。因为高核算功能、大内存、高内存带宽和多种编程东西挑选,GPU成为最受欢迎的挑选,并且简直成为深度网络练习的必需技能。此外,FPGA是布置通过练习的网络的抱负终端挑选。FPGA供给了更低的推迟、更高的成效以及更高确实定性,特别适用于在嵌入式设备上布置这些网络,适用于与I/O进行严密循环操作的操控体系。

软件-深度学习之所以可以快速得到运用并取得成功的一个原因是有老练的软件结构。一些常见的结构包含TensorFlow、Caffe、Keras和CNTK。[4][5][6][7]这些结构支撑Windows和Linux等不同的操作体系,以及Python和C++等言语。这些结构中的大多数还可支撑完成最新的DL网络或供给相关的示例,并且还支撑在GPU上学习。

3定论

深度学习是人工智能一个激动人心的新方向,有望可以处理工业操控规划运用的下一代问题。深度学习的一个快速入门办法是下载上面说到的开源结构,并运用教程示例着手进行操作实践。从与您运用程序相似的示例开端,并运用搬迁学习快速运转。

上一篇:2017年机床东西职业开展局势剖析 下一篇:没有了

相关产品: