《康耐视:2025边缘学习:让所有人(新手和专家)受益于 AI 的强大功能(12页).pdf》由会员分享,可在线阅读,更多相关《康耐视:2025边缘学习:让所有人(新手和专家)受益于 AI 的强大功能(12页).pdf(12页珍藏版)》请在三个皮匠报告上搜索。
1、边缘学习让所有人(新手和专家)受益于 AI 的强大功能边缘学习让所有人(新手和专家)受益于 AI 的强大功能目录介绍.3边缘学习是什么?.4边缘学习和深度学习.6边缘学习的工作原理.8使用边缘学习.9应用.10结论.112边缘学习介绍在工厂自动化领域部署人工智能(AI)的一个常见障碍是“人们觉得”会很复杂。如今,此技术的进步正在打破这一污名。在引入边缘学习等新技术后,人工智能现在更易于使用了。边缘学习是 AI 的一个子集,使用一组经过预训练的算法在设备或“边缘”上进行处理。与基于 AI 的其他解决方案(例如深度学习)相比,该技术易于设置,并且进行训练所需的时间和图像更少。无需拥有部署方面的专业
2、知识,对于从机器视觉初学者到专家的所有人,边缘学习都是一项可行的自动化解决方案。自动化视觉检测对于提高制造速度和精度至关重要。生产线工程师已意识到这些好处,并努力实现视觉检测的自动化,但经常因机器视觉的额外复杂性而受到限制,包括必须拥有所需程度的技术专业知识,并且涉及大量编程,更不用说更复杂的 AI 应用。即使是在使用传统的机器视觉方面拥有丰富经验的自动化工程师也认识到,在视觉对象很复杂或缺陷和变化很细微时存在着局限性。虽然深度学习解决方案能够很好地应对这些情况,但要有效地使用深度学习,除了自动化工程师专业知识以外,可能还需要其他高级技能。对于寻求轻松将自动化集成到生产线的工程师,以及经常使用
3、基于规则的机器视觉工具但缺乏特定 AI 或深度学习专业知识的自动化工程师专家,边缘学习是理想的解决方案。3边缘学习边缘学习是什么?边缘学习在一组经过预先训练的 AI 算法中嵌入基于规则的高效机器视觉,来创建针对工厂自动化进行优化的集成式工具集。该技术不需要机器视觉和深度学习方面的专业知识。生产线工程师可以使用对于所要求任务已掌握的知识来训练边缘学习。通过使用基于智能相机的单一解决方案,边缘学习可以在几分钟内部署到任何生产线上。这种解决方案集成了:高质量的视觉硬件;预处理每张图像以减少计算量的机器视觉工具;旨在解决工厂自动化问题的预训练网络;专为工业应用而设计的直观用户界面。边缘学习与现有的深度
4、学习框架之间的差别在于,边缘学习并非通用的,而是专为工业自动化量身定制的。边缘学习与其它深度学习产品的差别在于,边缘学习强调在部署的所有阶段均实现易用性。例如,边缘学习只需要更少的图像即可实现概念验证,图像设置和采集时间更短,并且不需要进行专门的编程。通过使用基于智能相机的单一解决方案,边缘学习可以在几分钟内部署到任何生产线上。4边缘学习火鸡肉快速分类:一个很好的示例边缘学习非常强大,能够分析其视野中的多个感兴趣区域(ROI),并把每个区域归入不同的类别。因此,边缘学习能够执行复杂的装配验证。例如,边缘学习能够验证和分类一个由高速生产线上机器人装箱的冷冻餐盘的 4 个区域。在每个餐盘上,底层中
5、心区域装有蛋白质,上层左侧装有蔬菜,上层中间装有甜食或配菜,上层右侧装有淀粉类食物。每个区域可装有多个 SKU,即蛋白质区域装有鸡肉、火鸡肉或肉饼条,淀粉类食物区域装有米饭、土豆或意大利面。只需一次简单的点击和拖动,就可为边缘学习定义每个区域,并将每个区域锁定为餐盘的固定功能。此后,用少数图像来训练边缘学习,使边缘学习能够对餐盘的每个区域进行分类(每个可能的类别通常仅需 2 张图像)。经过数分钟的培训,边缘学习将快速准确地对不同区域进行分类。如果引入更多变化(例如新类别或者同一类别内新样式),可用新类别的数张图像来更新此工具。对冷冻餐盘行之有效的工具也适用于印刷电路板(PCB)和其它复杂组件。
6、边缘学习不仅可用于分类和分拣任务,还可用于自动进行光学字符读取(OCR)等应用。例如,它可读取蚀刻文本,同时解析多行字符,并辨识复杂背景(包括镜面和金属表面)中的文本。火鸡肉豆荚馅料土豆鸡肉训练午餐盒的每个区域只需少数图像(每个可能的类别通常仅需 2 张图像)。肉饼条豌豆巧克力蛋糕米饭鸡肉玉米巧克力蛋糕意大利面几分钟内,边缘学习能够快速准确地对午餐盒进行分类。豌豆玉米豆荚巧克力蛋糕馅料土豆意大利面米饭肉饼条5边缘学习边缘学习和深度学习 深度学习模拟人类大脑中的相互交织的神经元强化和弱化联系的方式,从而形成对图像的理解。在深度学习中,成百上千层神经网络面对庞大的相似物体图像集。每次面对新图像时,
7、通过修改这些层内和层间的联系,深度学习学会可靠地识别这些物体,检测其中的缺陷,而无需任何明确的训练。深度学习:用例 传统的深度学习能够处理庞大的高度详细的图像集,因而非常适合复杂或高度个性化的应用。因为此类应用引入了重大差异,所以深度学习需要先进的计算力和强大的训练能力。为了考虑这些差异并捕获所有可能的结果,训练时必须使用数百张或数千张图像。传统的深度学习让学习者能够快速高效地分析此类图像,为自动执行复杂任务提供卓有成效的解决方案。虽然经过充分训练的深度学习产品和开源框架经过了精心设计,旨在处理复杂的应用,但大部分工厂自动化应用涉及的复杂度较低,导致边缘学习成为更合适的解决方案。边缘学习:用例
8、通过一开始就把对工厂自动化要求和用例的了解嵌入神经网络连接,就可以运用功能强大的 AI 来解决工厂自动化问题。预训练消除了庞大的计算量,这在受到适当的传统机器视觉工具支持时尤其如此。所产生的便是边缘学习,也就是一套在车间实时运行的轻量化的快速视觉工具,供生产线工程师在日常工作中使用。每个类别只需 5 至 10 张图像,即可在数秒内训练边缘学习工具。相较而言,深度学习解决方案需要使用数百至数千张图像来进行数小时乃至数天的训练。通过简化部署,边缘学习让制造商能够快速提升产能,同时保持敏捷并且能轻松根据变化作出调整。6边缘学习为了优化边缘学习,只分析特定的感兴趣 区域。优势训练需要更少图像更快速学习
9、更易于使用深度学习边缘学习训练需要 5 至 10 张图像需要数秒乃至数分钟的处理时间无需任何过往经验训练需要数百乃至数千张图像需要数小时乃至数天的处理时间需要深入了解深度学习系统和编程边缘学习相对于深度学习的三大优势为了优化边缘学习网络以便在嵌入式视觉系统中运行,应按比例缩小图像或者对图像进行固定,以便只分析特定的感兴趣区域。如果这些按比例缩小的图像能够被生产线工程师用肉眼区分,边缘学习工具也能区分出来。但是,请务必知悉,这种优化是一种权衡。它限制了边缘学习在非常先进且高度准确缺陷探测应用中的使用。传统的深度学习解决方案能更好的处理此类 应用。7边缘学习边缘学习的工作原理基于 AI 的解决方案
10、可能需要复杂的处理和大量的计算资源。边缘学习如何将此功能应用到车间?硬件边缘学习把许多复杂的硬件汇聚成外形小巧的装置。边缘学习完全在智能摄像头内运行,此摄像头装备有集成光源、自动对焦镜头以及一个强大的传感器。光源是高质量初始图像的关键所在,因为光源对于将对比度最大化、尽量减少阴暗区域并凸显必要的细节而言是必不可少的。高速自动对焦镜头可确保始终聚焦目标物体,即使在变更距离的情况下也是如此。镜头在感兴趣区域(ROI)发生变化时可立即调整焦距。液体自动对焦镜头比具有同等效果的机械镜头更小、更轻,在缩小摄像头体积和减轻摄像头重量的同时,也让其可以耐抗生产线的冲击和震动。功能强大的大型传感器可提供更高分
11、辨率和广视角(FOV)。所有这些硬件功能帮助实现了边缘学习。机器视觉工具基于规则的视觉工具能够非常高效地执行专业任务,例如定位、测量和定向。这些视觉工具可满足具体的工厂自动化需求,结合在一起,便可进行边缘学习,无需连接视觉工具或构建复杂的逻辑序列。这些工具可以快速预处理任何图像,提取密度、边缘以及凭借经验判定为与探测和分析制造缺陷相关的其他特征信息。这些工具可通过识别和明确图像的相关部位,来减少深度学习的计算量。AI 功能过去几年里,AI 已革新了工厂自动化。AI 不使用人类程序员创造的规则,而是通过示例来学习,借助可接受和不可接受部件的带标记示例,构建神经网络和制定有效的通过/失败阈值。它是
12、有效地模仿人类学习的方式。这些 AI 功能可能会有大量的计算要求。另一方面,边缘学习则利用工厂自动化图像具有特定的结构化内容这一特点,并采用此领域知识预先训练算法。这种技术并非从零开始处理,因此应用的计算密集度更低。测量距离发现边缘查找图案集成光源自动聚焦镜头传感器8边缘学习使用边缘学习部署边缘学习完全在摄像头上运行,因此不要求提取数据到个人电脑上进行处理。后者会占用空间、产生延迟并要求 IT 干预,进而导致解决方案总体上更昂贵。由于外形小巧,边缘学习可方便地安装到具有许多其它设备的生产线上,并且自带一种可根据地点需要来进行调节的复杂照明。训练边缘学习的训练过程类似于训练生产线上的新员工。边缘
13、学习的用户并不需要了解视觉系统或 AI 的工作原理,而是需要知道他们要解决的问题是什么。如果场景很简单,例如,只是将可接受和不可接受部件分类为正常/异常,则用户需要知道哪些部件可接受,哪些部件不可接受。这可能包括通过测试生产线而获得的不易发现的知识,这些知识可揭示人类难以发现的缺陷。在确定部件中的重要差异,以及不重要且不会影响功能的差异方面,边缘学习特别有效。边缘学习并不局限于二元分类(“正常/异常”),而是可以将物品分类为任意数量的类别。如果需要根据组件或配置将部件分拣为三个或四个不同的类别,则安装起来很容易。边缘学习还能够关注到图像中的多个感兴趣区域(ROI)。此外,多个 ROI 和多个类
14、别可以一起处理,正如第 5 页的冷冻餐盘示例所示。多个感兴趣区域(ROI)装配验证:边缘学习工具检查三个不同的区域,以确保急救工具箱中包含所有必要的零部件。多类别分类:边缘学习工具能够在罩板包装中对药片进行多类别分类,把每个区域分类为“合格”、“缺失药片”或“药片错配”。合格缺失错配9边缘学习应用边缘学习在各行各业中都非常实用,能够简化工厂自动化并解决不同复杂程度的任务,电子产品许多印刷电路板(PCB)含有指示状态的 LED 指示灯。此应用的目标是识别哪些指示灯显示通电(PWR)状态、传输(TX)状态或关闭(OFF)状态。如果使用传统机器视觉来进行这些判断,通常利用的是像素计数工具。这涉及设置
15、具体位置在各种条件下的亮度阈值,这个复杂过程需要具备机器视觉编程经验。边缘学习工具可以用一小组带标签的 OFF、PWR 和 TX 状态图像进行训练。在经过简短训练之后,边缘学习就可以按照这三种状态,对 PCB 进行可靠地分类。对于电子产品,为了方便追踪,零部件往往标有批号。这些条码通常打印在标签上,直接贴在零件表面。由于背景多样化,自动读取这种条码可能难以进行,但边缘学习则能轻松胜任。边缘学习能够正确辨识打印标签上的字符,即使这些字符是印在零部件的金属表面。医疗/制药玻璃瓶自动按预定高度灌装药物。在加盖之前,必须确认高度在合理容差范围内。玻璃瓶的透明和反射性质,再加上其内容物,导致传统机器视觉
16、难以一致地检出灌装高度。边缘学习经过训练,可识别灌装高度,而不会遭受由图像反射、折射或其他干扰性变化产生的混淆。灌装太高或太低都会归类为“异常”,只有在容差范围内才会归类为“正常”。边缘学习可验证合适的灌装高度,同一技术还可用于读取药瓶标签上的文本。仅利用少量样本图像,边缘学习便能够解读镜面的多行文本,从而同时检查有效期和批号。这有助于确保疫苗有效性并满足可追溯性要求。正常异常异常异常关闭 通电传输10边缘学习包装瓶装软饮料和果汁灌装后用螺口盖密封。如果旋转盖螺纹错位或在拧盖过程中损坏,就会产生间隙,这可能造成污染或漏液。不管是速度,还是瓶盖几乎密封而又未完全封死的各种方式,这都给传统的机器视
17、觉带来了一大挑战。您可以让边缘学习识别一组标为合格的图片,以及一组显示瓶盖有微小裂缝但人眼几乎无法察觉的图片。然后就可以按生产线速度将完全密封的瓶盖归类为“正常”,将其他所有瓶盖归类为“异常”。除了能验证瓶盖密封的完整性之外,部署边缘学习还能够校验各类食品的有效期。例如,边缘学习在经过训练后能够读取汤罐头的有效期,轻松辨识曲面上的点阵式文本。在此应用中,这项技术能验证产品的新鲜度,有助于确保消费者满意,避免可能的召回。边缘学习让所有人受益于 AI 的优势边缘学习是一项改变游戏规则的技术,比传统机器视觉具有更强大功能,同时也非常易于部署。边缘学习的强大功能易于部署并且可供生产线工程师在日常工作中
18、轻松使用,而无需高级机器视觉或 AI 训练。对传统机器视觉工具有更深入了解的自动化工程师能够利用现有的知识,把边缘学习的强大功能用于开发复杂强大的工厂自动化流程。正常异常异常11边缘学习构建您的视觉系统视觉系统利用易于部署的视觉系统来自动执行从缺陷探测、装配验证乃至文本读取等检验任务。 地址:上海市浦东新区外高桥保税区马吉路88号5幢 200131 销售热线:400-008-1133 Email:全球各地的公司依靠康耐视视觉和读码解决方案,优化产品质量、降低生产成本和控制可追溯性。地区销售办事处美洲北美+1844-999-2469巴西+551142103919墨西哥+8007334116欧洲奥
19、地利+43800281632比利时+3228937075捷克+420800023519法国+33176549318德国+497219588052匈牙利+3680080291爱尔兰+353214217500意大利+390230578196荷兰+31207941398波兰+48717121086罗马尼亚+40741041272西班牙+34932992814瑞典+4621145588瑞士+41445788877土耳其+902169001696英国+441212965163亚太澳大利亚+61272026910中国+862122799455印度+917305040397印度尼西亚+622180602011日本+81359775400韩国+8225399047马来西亚+60199165532新西兰+6498020555新加坡+6531583322中国台湾+8860277032848泰国+66632309998越南+84982405167“码”上关注康耐视 版权所有 2022 年,康耐视公司。本文件中的所有信息可随时更改,恕不另行通知。保留所有权利。Cognex 是康耐视公司的注册商标。其他所有商标均归其各自所有者所有。批 号 WPEL-EN-12-2022