機器視覺-今日洞察和未來展望

NI供稿

　　為了比競爭對手更好地服務(wù)其目標客戶，當(dāng)今的嵌入式設(shè)計團隊正在尋求機器學(xué)習(xí)(ML)和深度學(xué)習(xí)(DL)等新技術(shù)，以便在有限的資源下按時向市場開發(fā)和部署復(fù)雜的機器和設(shè)備。借助這些技術(shù)，團隊可以使用數(shù)據(jù)驅(qū)動的方法構(gòu)建復(fù)雜的單系統(tǒng)或多系統(tǒng)模型。 ML和DL算法不是使用基于物理學(xué)的模型來描述系統(tǒng)的行為，而是透過數(shù)據(jù)推斷出系統(tǒng)的模型。 傳統(tǒng)ML算法適用于處理數(shù)據(jù)量相對較小且問題的復(fù)雜度較低的情況。 但如果是像自動駕駛汽車這樣的大數(shù)據(jù)問題呢? 解決這個挑戰(zhàn)需要采用DL技術(shù)。 本文介紹了這種新興技術(shù)將如何推動我們進入控制設(shè)計和工業(yè)物聯(lián)網(wǎng)(IIoT)應(yīng)用的下一個時代。

　　1 ML技術(shù)在工業(yè)資產(chǎn)狀態(tài)監(jiān)測中的應(yīng)用

　　首先考慮機器學(xué)習(xí)(ML)技術(shù)在工業(yè)資產(chǎn)狀態(tài)監(jiān)測中的應(yīng)用。 ML有助于將基于狀態(tài)的監(jiān)測應(yīng)用從被動維護和預(yù)防性維護轉(zhuǎn)變?yōu)轭A(yù)測性維護。 這些技術(shù)常用于檢測異常行為和診斷問題，并在一定程度上預(yù)測電機、水泵和渦輪機等工業(yè)資產(chǎn)的剩余使用壽命。

　　基于ML的模型開發(fā)和部署流程如圖1所示。

　　圖1 基于機器學(xué)習(xí)的分析流程

　　看看這個工作流程是如何用來監(jiān)控電機的健康狀況的。 數(shù)據(jù)是從加速度計、熱電偶和連接到電機的電流傳感器等多種類型的傳感器采集而來。 特征工程步驟通常由兩部分組成： 特征提取和特征約簡。 特征提取用于從原始數(shù)據(jù)(或波形)中導(dǎo)出有助于了解資產(chǎn)健康情況的信息。 例如，來自電機的電流信號的頻譜中嵌入了可用于檢測故障的信息，如圖2所示。頻譜中不同頻帶上的平均振幅可用作為從電流信號中提取的特征。 從多個傳感器提取的特征可能包含冗余信息。 可以使用主成分分析(PCA)等特征約簡方法來減少最終用于建立模型的特征的數(shù)量。 特征的數(shù)量減少，意味著要使用的ML模型的復(fù)雜性降低了。 減少的特征集表示為向量(或數(shù)組)，并輸入到ML算法中，ML算法將用于模型創(chuàng)建步驟。 模型創(chuàng)建和驗證是一個迭代過程，在這個過程中，您可以嘗試使用幾種ML算法，并選擇最適合您應(yīng)用的算法。

　　圖2 對電機電流信號進行特征約簡

　　圖 3 特征工程

　　無監(jiān)督的ML算法(如高斯混合模型(GMM))可用于模擬電機的正常行為，并檢測電機何時開始偏離其基線。 無監(jiān)督的方法不需要標記數(shù)據(jù)就可以發(fā)現(xiàn)數(shù)據(jù)中的隱藏模式。 無監(jiān)督的技術(shù)主要用來檢測電機的異常，監(jiān)督算法則用于檢測異常的原因。 在有監(jiān)督的方法中，算法以輸入數(shù)據(jù)和期望輸出的組合表示。 這個數(shù)據(jù)稱為標簽數(shù)據(jù)。 算法會學(xué)習(xí)函數(shù)將輸入映射到輸出。 用于訓(xùn)練ML算法的數(shù)據(jù)包含在正常和錯誤條件下提取的特征。 使用表示電機狀態(tài)的標簽可清楚地標識特征。 常用的監(jiān)督ML算法包括支持向量機(SVM)、邏輯回歸和人工神經(jīng)網(wǎng)絡(luò)。

　　傳統(tǒng)ML技術(shù)面臨的挑戰(zhàn)是特征提取過程。 這個過程需要專業(yè)的領(lǐng)域知識，而且非常容易出錯，通常是ML工作流程中的故障點。 因此現(xiàn)在越來越多人采用DL算法，因為它們無需使用特征工程步驟。 從傳感器采集的數(shù)據(jù)(原始測量數(shù)據(jù))可以直接輸入到DL算法中，如下所示。

　　圖4 深度學(xué)習(xí)工作流程

　　DL算法基于人工神經(jīng)網(wǎng)絡(luò)。 人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法受到生物神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和功能的啟發(fā)。 這些算法采用相互連接的計算節(jié)點(人工神經(jīng))組的形式結(jié)構(gòu)，而計算節(jié)點采用層的結(jié)構(gòu)形式。 第一層稱為輸入層，作為與輸入信號或數(shù)據(jù)的連接接口。 最后一層是輸出層，該層中的神經(jīng)元輸出最終的預(yù)測或決定。 在輸入層和輸出層之間，有一個或多個隱藏層(圖5)。 每一層的輸出通過加權(quán)連接的方式連接到下一層的節(jié)點。 神經(jīng)網(wǎng)絡(luò)通過修改這些權(quán)重來學(xué)習(xí)輸入和輸出之間的映射。 通過使用多個隱藏層，DL算法可以學(xué)習(xí)需要從輸入數(shù)據(jù)中提取的特征，而不需要將特征明確地輸入到學(xué)習(xí)算法中。 這就稱為特征學(xué)習(xí)。

　　圖5 前饋人工神經(jīng)網(wǎng)絡(luò)

　　2 IIoT中應(yīng)用DL需要考慮的因素

　　深度學(xué)習(xí)最近在IIoT應(yīng)用中取得了成功，主要歸功于更強大的硬件計算能力、龐大的標記訓(xùn)練數(shù)據(jù)庫、學(xué)習(xí)算法和網(wǎng)絡(luò)初始化的突破性進展以及開源軟件框架的可用性。

　　以下是使用此技術(shù)設(shè)計系統(tǒng)的一些主要考慮因素。

　　拓撲結(jié)構(gòu)-深度學(xué)習(xí)是一個不斷發(fā)展的領(lǐng)域，目前有許多網(wǎng)絡(luò)拓撲已經(jīng)得到應(yīng)用[1]。 接下來將討論其中一些有望用于控制和監(jiān)測IIoT應(yīng)用的網(wǎng)絡(luò)。

　　· 完全連接的深度神經(jīng)網(wǎng)絡(luò)通過許多隱藏層完全連接人工神經(jīng)網(wǎng)絡(luò)(因此稱為深度神經(jīng))。 這些網(wǎng)絡(luò)都是出色的函數(shù)逼近器，比如，可以用于電力電子控制的應(yīng)用。 如果要使用深層網(wǎng)絡(luò)來構(gòu)建控制器，可以使用要控制的系統(tǒng)的仿真模型來生成訓(xùn)練數(shù)據(jù)。 借此，您可以探索使用傳統(tǒng)方法通常難以控制的狀態(tài)(邊界/轉(zhuǎn)角條件)。

　　· 卷積神經(jīng)網(wǎng)絡(luò)設(shè)計為可利用輸入圖像或語音信號等輸入信號的二維結(jié)構(gòu)。 卷積網(wǎng)絡(luò)由一個或多個卷積層(濾波層)組成，隨后是完全連接的多層神經(jīng)網(wǎng)絡(luò)。 這些網(wǎng)絡(luò)可成功檢測圖像中的缺陷以及識別對象， 現(xiàn)已應(yīng)用到先進駕駛員輔助系統(tǒng)中的場景理解。

　　· 遞歸神經(jīng)網(wǎng)絡(luò)(RNN)采用的是基于順序(或歷史)信息進行預(yù)測的算法。 這些網(wǎng)絡(luò)適用于時間序列分析。 傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)假定所有的輸入(和輸出)在時間或到達順序上是相互獨立的。 RNN記錄的是狀態(tài)信息，能夠存儲關(guān)于過去的信息，并使用當(dāng)前已計算的信息進行下一個預(yù)測。 在IIoT應(yīng)用中，RNN有助于學(xué)習(xí)歷史行為，并根據(jù)歷史行為來預(yù)測未來事件，如資產(chǎn)的剩余使用壽命(RUL)。 長短期記憶(LSTM)網(wǎng)絡(luò)非常適用于這類應(yīng)用。[2]

　　· 深度強化學(xué)習(xí)(DRL)適用于設(shè)計在復(fù)雜動態(tài)環(huán)境中運行的自適應(yīng)控制系統(tǒng)。 比如控制倉庫操作機器人，這些機器人必須動態(tài)適應(yīng)新任務(wù)。 以強化學(xué)習(xí)為基礎(chǔ)的控制器通過執(zhí)行任務(wù)后所獲得的獎勵來一步步完成目標。 例如，控制器接收顯示機器人手臂當(dāng)前位置的攝像機圖像，并通過圖像中的信息學(xué)習(xí)如何將手臂移近目標。[3] 基于DL的控制器可以使用機器人模擬器或通過觀察操作中的機器人來進行訓(xùn)練。

　　圖6 用于機器人控制應(yīng)用的深度強化學(xué)習(xí)

　　訓(xùn)練 - 深度神經(jīng)網(wǎng)絡(luò)需要大量的訓(xùn)練數(shù)據(jù)，最好包括網(wǎng)絡(luò)要學(xué)習(xí)的所有不同狀態(tài)或條件的數(shù)據(jù)。 對于大多數(shù)應(yīng)用來說，可用的數(shù)據(jù)主要來自系統(tǒng)的正常工作狀態(tài)，僅對其他狀態(tài)的數(shù)據(jù)進行少量的采樣。 數(shù)據(jù)增強技術(shù)可改善數(shù)據(jù)中的這一不平衡性，您可以從已有的少量樣本為基礎(chǔ)，通過轉(zhuǎn)換數(shù)據(jù)創(chuàng)建更多合成版本。 您也可以使用系統(tǒng)的仿真模型來創(chuàng)建訓(xùn)練數(shù)據(jù)。 另一個挑戰(zhàn)是要采集訓(xùn)練這些網(wǎng)絡(luò)所需的龐大數(shù)據(jù)非常困難。 遷移學(xué)習(xí)可以解決這個問題。 借助遷移學(xué)習(xí)，您可以以一個預(yù)先訓(xùn)練的神經(jīng)網(wǎng)絡(luò)為起點(大多數(shù)DL軟件框架提供了經(jīng)過完全訓(xùn)練的模型，而且可供下載)，并使用應(yīng)用程序中的數(shù)據(jù)對其進行微調(diào)。

　　硬件—訓(xùn)練深度網(wǎng)絡(luò)對處理性能的要求非常高。 GPU已經(jīng)成為訓(xùn)練深度網(wǎng)絡(luò)的主要選擇。 由于高計算性能、大內(nèi)存、高內(nèi)存帶寬和多種編程工具選擇，GPU成為最受歡迎的選擇，而且?guī)缀醭蔀樯疃染W(wǎng)絡(luò)訓(xùn)練的必需技術(shù)。 此外，F(xiàn)PGA是部署經(jīng)過訓(xùn)練的網(wǎng)絡(luò)的理想終端選擇。 FPGA提供了更低的延遲、更高的功效以及更高的確定性，尤其適用于在嵌入式設(shè)備上部署這些網(wǎng)絡(luò)，適用于與I/O進行緊密循環(huán)操作的控制系統(tǒng)。

　　軟件 - 深度學(xué)習(xí)之所以能夠快速得到應(yīng)用并獲得成功的一個原因是有成熟的軟件框架。 一些常見的框架包括TensorFlow、Caffe、Keras和CNTK。[4][5][6][7] 這些框架支持Windows和Linux等不同的操作系統(tǒng)，以及Python和C ++等語言。 這些框架中的大多數(shù)還可支持實現(xiàn)最新的DL網(wǎng)絡(luò)或提供相關(guān)的示例， 而且還支持在GPU上學(xué)習(xí)。

　　3結(jié)論

　　深度學(xué)習(xí)是人工智能一個激動人心的新方向，有望能夠解決工業(yè)控制設(shè)計應(yīng)用的下一代問題。 深度學(xué)習(xí)的一個快速入門方法是下載上面提到的開源框架，并使用教程示例動手進行操作實踐。 從與您應(yīng)用程序類似的示例開始，并使用遷移學(xué)習(xí)快速運行。