神经网络如何帮助制造商检测
电子邮件自动生成文本、语音识别、医学影像分析、旧照片彩色化、个性化的在线广告、策略游戏计算机以及打开手机的面部识别都是人工智能使我们的生活更轻松、更有乐趣的示例。另外工厂自动化也是一样的情况，制造业的人工智能为复杂且有挑战性的检测应用带来了新的方法。
这些基于 AI 的应用是由基于神经网络工作原理的深度学习技术推动的。
神经网络是由两名芝加哥大学研究员 Warren McCullough 和 Walter Pitts 在1944 年第一次提出的，他们在 1952 年加入 MIT 成为第一个认知科学部门的创始成员。’
什么是神经网络？
作为核心的神经网络是模拟人脑运行原理的计算机程序。神经网络中的每个程序都只能执行基本计算。但将无数节点连接到一起后，整体的计算能力会比各个部分的总和更高。神经网络将输入数据从一个程序传到系统中的另一个时，神经网络会自己学习，使用这些数据变得更聪明 – 与人类学习信息的方式相似。
然后神经网络就成为了计算机学习执行特定任务的方法，例如识别不同照片中的同一张脸，或者根据一组狗的参考照片’认识什么是或不是狗。
“神经网络其实是深度学习的基础，”康耐视深度学习产品市场经理 Bob Ochiai 说。“在大部分情况下神经网络和深度学习仍然只是人类设计更智能的应用以帮助我们提高工作效率、解决特定的复杂应用的一种工具。”
神经网络中的每个程序都是一个神经元，然后这些神经元与随机数量的其他神经元连接。神经元之间的连接越强、越有效率，神经网络的性能就越好。连接神经网络中的神经元的过程就称为训练。
数据通过神经网络中的每一层时，系统会学习并精简其输出结果，使其能更准确地解决特定任务。例如在工厂自动化环境中，神经网络可用于解决复杂的缺陷检测或识别因太复杂而难以编写规则式程序的其它产品异常。
系统学习方式有三种：
- 监督学习：这种学习策略是最简单的，它让计算机浏览一个带标签的数据集，同时对算法进行修改，直到算法可以处理数据集并得到需要的结果。
- 无监督学习：这种策略用于没有带标签的数据集可以学习的情况。神经网络分析数据集，然后一个损失函数告诉神经网络距离目标有多远。然后神经网络进行调整，提高算法的精度。
- 强化学习：在此算法中，神经网络会因正确结果受到加强，因错误结果受到惩罚，从而强制神经网络逐步学习。
神经网络对制造检测的影响
’例如一家汽车零件公司想识别他们制造的保险杠上的划痕。’我们没有办法确定保险杠上哪个地方可能会出现划痕。因为划痕相关的差异太多，所以’无法在机器视觉应用中有效地编程来识别划痕–划痕可能深或浅，可能长或短，也可能显示在表面上的任何地方等。
解释这些差异会很复杂– 除非可以训练一个应用使之能够识别合格的保险杠，然后标记出与这些参数相异的所有其他保险杠。
“神经网络实现的深度学习图像分析让公司可以更方便地实施对于传统机器视觉过于复杂或有挑战性的自动检测，”Ochiai 说。“考虑一下仍然大部分由人类执行的装配验证。或者缺陷检测，是这种技术可帮助制造商走向自动化的另一个示例。”
神经网络的强大之处是其识别图案的能力。但如 Ochiai 所说，神经网络需要非常高质量的标签数据才能成功地训练模型。而且它需要大量参考图像数据，这会使问题复杂化。
要了解神经网络和深度学习如何解决复杂的制造检测问题的更多信息，请下载我们的指南深度学习与机器视觉。
