对于工业自动化检测,AI、机器学习和深度学习有什么不同?

AI vs deep learning vs machine learning

对于人工智能 (AI),特别是工厂自动化检测领域,通常很难区分事实和营销口碑。在很多方面,AI 已经成为我们日常生活的一部分,但在很多其他方面,这项技术还只是个未来化的概念。

您的电子邮件客户端中的垃圾邮件过滤器使用 AI,让您’无需阅读那些不想看的垃圾邮件。 另一方面,能够通过图灵测试的机器人(例如星战中的 C-3PO)只存在于科幻和电视中。过去几年里,因为计算能力和云存储成本的迅速改善,以及随着图像、文本、软件交易等相关数据的增长,AI 的实用性也获得爆炸性的增长。 

AI、机器学习、和深度学习等术语经常可以在各种场景下不加解释地互换使用。理解了人工智能的各种区别,包括机器学习和深度学习,’就能容易地理解这项技术’能给现在的制造商和工厂带来什么帮助。 

人工智能 – 用逻辑编程任务

首选,人工智能是计算机科学的分支,此学科研究如何使用计算机系统像人类一样好甚至更好地执行人类的任务(例如图像分类、语音识别、语言翻译)。这个逻辑概念产生于 1950 年代的计算机科学开拓时代。 

AI 大体可分为两种:狭义 AI 和广义 AI。“广义 AI” 指机器人可以像人类一样行动和思考的未来化概念。或许某一天,我们’将必须使用知觉机器人,但在本文中,我们’只讨论“狭义 AI”,即用于执行特定人类任务的任意计算机系统。 

AI 实际上就是编写智能算法的学科。刚开始的时候,AI 还只是一系列编程的计算机指令。现在它可以是任何东西,例如一套复杂的逻辑,或者能够根据参考示例和极少量人类编程生成结果的自助学习算法。 

交通信号灯的运行就是真实世界中的 AI  例子。以前需要人来把红灯变成绿灯,现在通过智能逻辑和编程即可让一个灯亮 45 秒,然后变红。这称为固定时间控制。还有另一种编程交通信号灯网络的方式,例如协调控制,它尽量为驾驶员提供最长时间的绿灯。一般来讲,信号灯的运行是通过编程实现特定任务,让人不再需要手动操作。 

机器学习 – 人工智能的应用 

机器学习是 AI 的一个分支学科,通常视为用来实现 AI 的技术。机器学习就是使用算法让计算机系统能够学习数据并做出决策。 

这些年来开发出来的决策算法包括决策树、聚类分析、强化学习和贝叶斯网络等。还是以交通信号灯为例,机器学习算法 可以根据一天中的时间或交通堵塞情况帮助选定红绿灯切换的最佳时间模式。这正是内华达州拉斯维加斯等城市已经在试用的技术,希望机器学习能够发挥重要作用,将交通堵塞减少 40%。机器学习不仅可以帮助城市编程信号灯,还可以利用车辆相关数据优化基于此编程逻辑得出的判断。 

最后,机器视觉是机器学习的其中一种最佳体现。使用相机拍摄图像数据,然后对这些数据应用各种算法,例如分类器、定位工具、甚至光学字符识别,’机器视觉软件就可以判断某个零件是否存在、测量两个边之间的宽度,或者识别轮胎上的一个字符串。 

在康耐视,机器视觉通常指使用传统或基于规则的方式解决检测难题。我们的规则,也就是技术上称为的算法,实际上就是人类编程特定任务时使用的软件工具,例如寻找零件的两个边然后测量这些边之间的宽度。我们’不认为这是机器学习或 AI,虽然它们可能是属于这一范畴。 

深度学习 – 下一个检测发展阶段 

随着技术的不断发展,深度学习算法 成为备受关注的人工智能新领域。深度学习离不开机器学习的进步,但有一些关键差异。 

深度学习不是依靠人类使用计算机算法编程任务,而是通过基于示例的方式模拟人类学习并获得结果。深度学习式检测应用通过神经网络从海量数据集中发现连接和点的模式。 

例如,’一个制造商希望检测他们制造的产品中的缺陷。一种方式是使用传统的机器视觉。对于传统视觉,工程师编程检测时需要明确考虑百万种可能发生的差异:缺陷大小和类型、缺陷位置等。不管是维护还是编程方面,这些差异都会使其变成一个非常费时的应用。 

如果使用深度学习的方式,算法可以学习用户提供的示例,然后自动产生对要检测的零件的理解。生成可以学习合格零件并考虑细微差异的检测后,这个解决方案就可以标记有缺陷的东西,例如划痕、异物、或其他视觉缺陷。然后用户可以提供更多数据供工具学习,从而改进这个解决方案。深度学习应用学习的数据越多,发现异常的能力就会越高。 

工厂自动化检测的未来

虽然很多公司都在市场上打出人工智能的口号,但’我们一定要理解它是什么,它能或者不能做什么,特别是在工厂自动化环境中。 

在未来,或许我们不必纠结使用基于示例还是规则或者同时使用此两者来解决检测问题。但是现在,每种方式都有其固有的优势和缺点,因此应相应地使用。 

要了解基于示例和基于规则进行检测的区别,请下载我们免费的电子书:深度学习和机器视觉。 

 

更多帖子

对于工业自动化检测,AI、机器学习和深度学习有什么不同?

AI vs deep learning vs machine learning

对于人工智能 (AI),特别是工厂自动化检测领域,通常很难区分事实和营销口碑。在很多方面,AI 已经成为我们日常生活的一部分,但在很多其他方面,这项技术还只是个未来化的概念。

您的电子邮件客户端中的垃圾邮件过滤器使用 AI,让您’无需阅读那些不想看的垃圾邮件。 另一方面,能够通过图灵测试的机器人(例如星战中的 C-3PO)只存在于科幻和电视中。过去几年里,因为计算能力和云存储成本的迅速改善,以及随着图像、文本、软件交易等相关数据的增长,AI 的实用性也获得爆炸性的增长。 

AI、机器学习、和深度学习等术语经常可以在各种场景下不加解释地互换使用。理解了人工智能的各种区别,包括机器学习和深度学习,’就能容易地理解这项技术’能给现在的制造商和工厂带来什么帮助。 

人工智能 – 用逻辑编程任务

首选,人工智能是计算机科学的分支,此学科研究如何使用计算机系统像人类一样好甚至更好地执行人类的任务(例如图像分类、语音识别、语言翻译)。这个逻辑概念产生于 1950 年代的计算机科学开拓时代。 

AI 大体可分为两种:狭义 AI 和广义 AI。“广义 AI” 指机器人可以像人类一样行动和思考的未来化概念。或许某一天,我们’将必须使用知觉机器人,但在本文中,我们’只讨论“狭义 AI”,即用于执行特定人类任务的任意计算机系统。 

AI 实际上就是编写智能算法的学科。刚开始的时候,AI 还只是一系列编程的计算机指令。现在它可以是任何东西,例如一套复杂的逻辑,或者能够根据参考示例和极少量人类编程生成结果的自助学习算法。 

交通信号灯的运行就是真实世界中的 AI  例子。以前需要人来把红灯变成绿灯,现在通过智能逻辑和编程即可让一个灯亮 45 秒,然后变红。这称为固定时间控制。还有另一种编程交通信号灯网络的方式,例如协调控制,它尽量为驾驶员提供最长时间的绿灯。一般来讲,信号灯的运行是通过编程实现特定任务,让人不再需要手动操作。 

机器学习 – 人工智能的应用 

机器学习是 AI 的一个分支学科,通常视为用来实现 AI 的技术。机器学习就是使用算法让计算机系统能够学习数据并做出决策。 

这些年来开发出来的决策算法包括决策树、聚类分析、强化学习和贝叶斯网络等。还是以交通信号灯为例,机器学习算法 可以根据一天中的时间或交通堵塞情况帮助选定红绿灯切换的最佳时间模式。这正是内华达州拉斯维加斯等城市已经在试用的技术,希望机器学习能够发挥重要作用,将交通堵塞减少 40%。机器学习不仅可以帮助城市编程信号灯,还可以利用车辆相关数据优化基于此编程逻辑得出的判断。 

最后,机器视觉是机器学习的其中一种最佳体现。使用相机拍摄图像数据,然后对这些数据应用各种算法,例如分类器、定位工具、甚至光学字符识别,’机器视觉软件就可以判断某个零件是否存在、测量两个边之间的宽度,或者识别轮胎上的一个字符串。 

在康耐视,机器视觉通常指使用传统或基于规则的方式解决检测难题。我们的规则,也就是技术上称为的算法,实际上就是人类编程特定任务时使用的软件工具,例如寻找零件的两个边然后测量这些边之间的宽度。我们’不认为这是机器学习或 AI,虽然它们可能是属于这一范畴。 

深度学习 – 下一个检测发展阶段 

随着技术的不断发展,深度学习算法 成为备受关注的人工智能新领域。深度学习离不开机器学习的进步,但有一些关键差异。 

深度学习不是依靠人类使用计算机算法编程任务,而是通过基于示例的方式模拟人类学习并获得结果。深度学习式检测应用通过神经网络从海量数据集中发现连接和点的模式。 

例如,’一个制造商希望检测他们制造的产品中的缺陷。一种方式是使用传统的机器视觉。对于传统视觉,工程师编程检测时需要明确考虑百万种可能发生的差异:缺陷大小和类型、缺陷位置等。不管是维护还是编程方面,这些差异都会使其变成一个非常费时的应用。 

如果使用深度学习的方式,算法可以学习用户提供的示例,然后自动产生对要检测的零件的理解。生成可以学习合格零件并考虑细微差异的检测后,这个解决方案就可以标记有缺陷的东西,例如划痕、异物、或其他视觉缺陷。然后用户可以提供更多数据供工具学习,从而改进这个解决方案。深度学习应用学习的数据越多,发现异常的能力就会越高。 

工厂自动化检测的未来

虽然很多公司都在市场上打出人工智能的口号,但’我们一定要理解它是什么,它能或者不能做什么,特别是在工厂自动化环境中。 

在未来,或许我们不必纠结使用基于示例还是规则或者同时使用此两者来解决检测问题。但是现在,每种方式都有其固有的优势和缺点,因此应相应地使用。 

要了解基于示例和基于规则进行检测的区别,请下载我们免费的电子书:深度学习和机器视觉。 

 

更多帖子

获取产品支持和培训以及更多

加入 MyCognex