來源：AVNET
作者：Philip Ling

人工智能(AI)將變得非常普遍，而被視為理所當(dāng)然。我們可以自信地說出這一點(diǎn)，因?yàn)楹芏喟雽?dǎo)體制造商已經(jīng)擁有專為人工智能設(shè)計(jì)的嵌入式處理器。這些設(shè)備將變得像目前的技術(shù)主力微控制器(MCU)一樣無所不在。事實(shí)上，它們是MCU的自然進(jìn)化階段。

這時(shí)產(chǎn)生了一個(gè)相關(guān)的問題，就是如何開始使用人工智能。但這問題忽略了一個(gè)更相關(guān)問題的答案，應(yīng)該這樣問“什么樣的人工智能適合你”。是的，人工智能將無所不在，但它并不是設(shè)計(jì)的靈丹妙藥。工程師仍需要為其應(yīng)用選擇最佳的解決方案。

安富利知道客戶最關(guān)心的是結(jié)果。透過了解用例，可能的解決方案通常會(huì)自己顯現(xiàn)。在人工智能變得如此容易獲得之前，這是真的，而現(xiàn)在仍然如此。在這方面，人工智能就像任何其他組件一樣。

然而，改變的是客戶的型態(tài)。人工智能出現(xiàn)在軟件領(lǐng)域，因此真正的專家是那些擁有十年以上經(jīng)驗(yàn)的軟件公司。將軟件推向市場(chǎng)，需要合適的硬件搭配，特別是在工業(yè)、醫(yī)療和航空航天等領(lǐng)域。

Avnet Silica 系統(tǒng)解決方案，人工智能/機(jī)器學(xué)習(xí)與視覺，歐洲、中東和非洲的經(jīng)理 Micha?l Uyttersprot 表示，這是安富利可以提供真正價(jià)值的一個(gè)領(lǐng)域，他說：「我的部分職責(zé)是確保我們擁有所需的專業(yè)知識(shí)和合作伙伴，來幫助這些具有計(jì)算器視覺經(jīng)驗(yàn)的公司成為新的用例。」

這些用例存在于所有安富利強(qiáng)大的垂直領(lǐng)域，包括工業(yè)、汽車、醫(yī)療、航空航天和國(guó)防。機(jī)器學(xué)習(xí)(ML)用于多種用例，包括預(yù)防性維護(hù)。但是，正如Uyttersprot解釋的那樣，視覺部分吸引了最多人的興趣。他說：「這些包括了在智能城市使用的應(yīng)用程序，像是攝影機(jī)被用于偵測(cè)活動(dòng)，例如在駕駛時(shí)使用手機(jī)。」

為使用機(jī)器學(xué)習(xí)(ML)的工業(yè)視覺選擇正確的硬件

在開發(fā)機(jī)器視覺系統(tǒng)時(shí)，選擇正確的圖像傳感器是最重要的設(shè)計(jì)決策之一。當(dāng)使用機(jī)器學(xué)習(xí)分析圖像數(shù)據(jù)時(shí)，這一點(diǎn)更為重要。

「如果你想使用具備機(jī)器學(xué)習(xí)的機(jī)器視覺來檢查快速移動(dòng)的東西，比如生產(chǎn)在線的瓶子，會(huì)需要使用帶有全局快門的相機(jī)模塊。滾動(dòng)快門在此應(yīng)用程序中不起作用，因?yàn)橛锌赡軙?huì)遺漏細(xì)節(jié)」Uyttersprot說。

同樣地，圖像傳感器需要適合操作環(huán)境。在某些應(yīng)用中，有必要選擇一個(gè)同時(shí)具有適當(dāng)?shù)托庑阅艿膱D像傳感器。使用機(jī)器視覺時(shí)必須考慮這些因素，但在產(chǎn)生將使用機(jī)器學(xué)習(xí)解釋的數(shù)據(jù)時(shí)，這些考慮因素變得更加相關(guān)。

因?yàn)閿?shù)據(jù)是由算法而不是由人來分析的，所以這提供了在機(jī)器視覺系統(tǒng)中引入不同感測(cè)模式的機(jī)會(huì)。這可能包括圖像傳感器以外的模式，例如飛行時(shí)間、雷達(dá)和激光雷達(dá)。隨之而來的則是對(duì)傳感器融合的需求。

傳感器融合是指從多個(gè)來源獲取數(shù)據(jù)，并將其合并為一個(gè)單一的數(shù)據(jù)集，以輸入神經(jīng)網(wǎng)絡(luò)的過程。這是一個(gè)關(guān)鍵階段，因?yàn)槊總€(gè)傳感器數(shù)據(jù)的加權(quán)方式將影響其與最終數(shù)據(jù)集的相關(guān)性。

每個(gè)用例都不同，因此沒有一套標(biāo)準(zhǔn)的方法，這表示傳感器融合可能交由制造商來負(fù)責(zé)。當(dāng)您與安富利合作時(shí)，相關(guān)專家會(huì)負(fù)責(zé)傳感器融合。通常來說，這些專家是開發(fā)機(jī)器學(xué)習(xí)應(yīng)用程序的軟件公司，但也可能是客戶，由安富利及其合作伙伴協(xié)助。

michael-uyttersprot.jpg

工業(yè)中的機(jī)器學(xué)習(xí)的訓(xùn)練和遷移學(xué)習(xí)

創(chuàng)建一個(gè)演示器來證明機(jī)器學(xué)習(xí)的概念并不像以前那樣困難，尤其是在與可以提供評(píng)估模塊和開發(fā)工具包的伙伴合作時(shí)。將該概念應(yīng)用于生產(chǎn)仍然是困難。

「標(biāo)準(zhǔn)數(shù)據(jù)集可用于演示目的，但這些標(biāo)準(zhǔn)數(shù)據(jù)集通常不適合實(shí)施。客戶可能需要從有建立數(shù)據(jù)經(jīng)驗(yàn)的公司購(gòu)買數(shù)據(jù)，或者他們需要自己建立數(shù)據(jù)」Uyttersprot 說。

這就是遷移學(xué)習(xí)等技術(shù)有用的地方，它可以將為一個(gè)用例創(chuàng)建的數(shù)據(jù)移植到一個(gè)新的但相似的用例。這只是其中一種解決方案。另一個(gè)可能是使用3D建模虛擬創(chuàng)建的合成數(shù)據(jù)。這方法可以快速創(chuàng)建許多圖像，而這些圖像可用于訓(xùn)練機(jī)器學(xué)習(xí)算法，而無需實(shí)際建立案例。

合成數(shù)據(jù)有其優(yōu)勢(shì)，但與機(jī)器學(xué)習(xí)中的大多數(shù)事情一樣，它不一定容易。了解挑戰(zhàn)是取得最佳結(jié)果的重要部分。當(dāng)安富利開始與客戶合作時(shí)，第一步是介紹機(jī)器學(xué)習(xí)以及它可以提供什么。 下一步是了解客戶真正想要實(shí)現(xiàn)的目標(biāo)。在某些情況下，它可能只需要沒有機(jī)器學(xué)習(xí)的計(jì)算器視覺。在與合作伙伴一起開發(fā)解決方案之前，確保客戶充分了解這些選項(xiàng)是非常重要的。

邊緣與云運(yùn)算

隨著人工智能向網(wǎng)絡(luò)邊緣移動(dòng)，這個(gè)問題時(shí)常出現(xiàn)。然而，Uyttersprot指出，兩者將繼續(xù)共存，因?yàn)槎加懈髯缘膬?yōu)點(diǎn)。

例如，如果安全性或延遲是用例中的特殊需求，則由邊緣處理比較適合；但如果應(yīng)用程序需要能夠持續(xù)改進(jìn)算法，則在云中處理才是更好的解決方案。

「同時(shí)使用邊緣和云是有意義的。」Uyttersprot說，「如果您在不同位置有許多產(chǎn)品，例如智能恒溫器，則可以使用邊緣處理。但是通過云共享數(shù)據(jù)可使算法改進(jìn)，可以在整個(gè)恒溫器網(wǎng)絡(luò)中推行。」

結(jié)論

機(jī)器學(xué)習(xí)在工業(yè)領(lǐng)域中的使用一直在增加，部分原因是越來越多的高性能處理器配備強(qiáng)大AI加速技術(shù)。但無論是在訓(xùn)練還是部署方面，軟件仍然是等同重要的關(guān)鍵。建模技術(shù)和遷移學(xué)習(xí)可以提供幫助，處理器制造商提供的資源和軟件工具也可以協(xié)助。要開發(fā)成功的機(jī)器學(xué)習(xí)用例，硬件和軟件必須共同工作。

關(guān)鍵詞： 機(jī)器學(xué)習(xí) 人工智能 解決方案 機(jī)器視覺 圖像傳感器