05-深度学习场景上

深度学习典型场景（上）严骏驰上海交通大学/index.html迈向智能制造操作工人

组装工人质检工人维护工人机器人机械臂自动检测自动维护机器人工业4.0缺陷检测排产优化预防维保工厂智能：实践现有人工智能技术的绝佳场所封闭环境：为智能感知提供了可控的技术边界流程作业：为智能决策提供了清晰的判断边界过程数据：传感器网络提供了海量的日志信息机械化：体力劳动流水线智能化：脑力劳动流水线获取分析利用数据驱动的闭环智能制造机器故障、异常、不稳定产线异常、缺陷增多、新兴缺陷出现智能异常、缺陷感知溯源与因果分析事后修复与改进精细缺陷历史数据库预防性维保计划智能感知：以智能质检自动发现工件缺陷为例效率低、速度慢易出错，难稳定人工质检成为产能瓶颈效率高、速度快精度稳定，无需培训7*24小时，响应速度快挑战1：生产环节和对象的多样性导致的复杂性不同的站点上的不同产品存在比较大的差异性：颜色，背景，底纹，走线和缺陷集合都有可能是不一样的。没有办法使用单个模型或者单种类型的模型来解决所有站点所有产品的需求。图片来自网络挑战2：目标区域分辨率低，颜色纹理不丰富包含缺陷的图像部分相对于整张图片而言一般是非常小的，缺陷本身的特征容易被忽略，给直接应用现有的图像机器学习（包括直接运用主流的深度学习技术）带来了比较大的技术挑战。需要有专门的定制模型，并且通过大量数据反复验证调试。About30*30pixels300*400pixels挑战2：目标区域分辨率低，颜色纹理不丰富56*56pixels17*56pixels不同缺陷类型：挑战3：标记信息弱（只有类别标记，但要定位）现有标准深度学习图像分类、检测训练数据如上图挑战4：缺陷类别动态变化，处理未见过样本现有解决方案大多处理类别封闭数据现有网络对于类别之外的“Others”数据可能产生高置信度NguyenA,YosinskiJ,CluneJ.DeepNeuralNetworksareEasilyFooled:HighConfidencePredictionsforUnrecognizableImages.InComputerVisionandPatternRecognition(CVPR’15),IEEE,2015基于深度学习的面板缺陷检测相关技术深度卷积神经网络频域分析与图像处理大规模消息队列处理热备份与负载均衡物联网传感器与通信大规模存储与文件管理注：示意性图片，非实际生产环境图片缺陷定位+分类系统并非端对端学习分割与分类，而是根据场景特定进行优化！缺陷定位+分类并非端对端学习分割与分类，而是根据场景进行优化！产品A,B,C检测精度(实线)与人工替代率(虚线)曲线产品U,V,W检测精度(实线)与人工替代率(虚线)曲线人工替代率和漏检率之间的权衡100%100%可以接受的（最高漏检率）2%30%50%70%85%M3

–

v1M3

–

v2M3

–

v3M3

–

v4人工替代率（可用率）缺陷检测的其他应用场景生成对抗网络/tkarras/progressive_growing_of_gans用人工智能创造图片（生成对抗网络）Uneven

baseOpenEdge

DamageCircleDeformation原始真实图片生成对抗网络创作的天线图片异常事件的行为学习：预防性维保精细运营预防维保预算规划排班计划优化PredictiveAsset