为什么正确地训练深度学习检测应用是成功的关键

和所有新工厂自动化技术一样，其采用和推出也需要进行一些考虑和权衡。虽然深度学习机器视觉可以解决很多复杂的工厂应用问题，但它并不是万能的灵药。所以对于任何项目来说，有一个正确的预期非常重要；关键是要知道做创建面前的应用需要什么代价。

建立深度学习检测应用时需要考虑的重要问题之一就是训练应用。这是因为深度学习应用并不是直接编程出来的；相反，它们是通过参考图像进行训练来识别可接受范围之外的异常。

机器智能研究所负责人、前 Google 软件工程师 Nate Soares 说，之所以正确的训练对于人工智能来说很重要，一个很好的类比就是迪士尼动画“幻想曲”−中“魔法师的学徒”场景。

Mickey 给扫帚施法帮助他装满一个大锅时，他遇到的问题并不是扫帚反抗或有了自主意识，而是扫帚的任务完成得过于完美。 Soares 在 2018 年的一次采访中说。他想把锅装满，而让房间溢满则是最能保证装满（并保持装满）的方式。Mickey 成功地创造了他的 AI 系统，但是 Mickey 的结果却不太好。

为什么训练深度学习应用很重要

换句话说，如果不能正确地训练系统，那么深度学习应用的结果或输出可能会很意外，如果制造商需要可靠的检测结果，这会非常让人失望。对于工厂自动化来说，应用工程师需要理解正确训练的深度学习应用要有一套能代表各种缺陷和/或可接受零件差异的全面的训练图像，然后它才能在生产中发挥作用。

另外这些图像应是在生产照明和零件检测环境下拍摄的。这是所有深度学习项目的成功关键。

验证深度学习视觉解决方案是一个不断重复的过程，需要将系统安装到生产线上。而且与传统机器视觉系统不同，深度学习图像的训练和验证必须在开发阶段完成 − 不能等到工厂验收测试。深度学习需要大量样本进行训练，这可能需要很多时间来拍摄有代表性的图片集，然后才能训练出性能良好的深度学习工具。

有时候，深度学习系统在实验室中表现正常，但部署到生产环境中后表现很差。 康耐视人工智能高级产品营销经理 Grace Lee 说。与较熟悉的传统机器视觉相比，深度学习解决方案中尚未被认识到的差异会给用户带来挫败感。

Lee 在康耐视人工智能团队工作，致力于提供深度学习工厂自动化解决方案。为了解决更复杂且更有挑战性的检测问题，他们最近将这些深度学习算法部署到了驱动机器视觉相机的软件中。

检测缺陷或异常时，这些工具可以帮助客户做出更准确且更灵活的决策。她喜欢康耐视在人工智能方面做的工作，特别是深度学习，因为它们就像购买机票、购买股票，或者推荐新音乐时的那些能帮助人们做出更聪明的决策的人工智能工具。在之前因为难以自动化而必须由人执行的质量检测方面，康耐视的深度学习算法可帮助制造商做出更聪明的决策。

在工厂环境中使用 AI 并不是一个遥不可及的承诺。Lee 说。它已经在解决实际问题了。但是工程师们需要仔细思考如何设置项目、如何通过训练提高其效果，并如何最终在其身上执行。

若需了解更多，请下载深度学习工厂自动化项目入门指南电子书。