邊緣學習-讓所有人（新手和專家）受益于 AI 的強大功能

口口GNEX介紹 3邊緣學習是什么？ 4邊緣學習和深度學習 6邊緣學習的工作原理 8使用邊緣學習 9應用 10結論 2邊緣學習在工廠自動化領域部署人工智能（AI）的一個常見障礙是“人們覺得”會很復雜。如今，此技術的進步正在打破這在引入邊緣學習等新技術后，人工智能現在更易于使用了。邊緣學習是AI的一個子集，使用一組經過預訓練的算法在設備或“邊緣”上進行處理。與基于AI的其他解決方案（例如深度學習）相比，該技術易于設置，并且進行訓練所需的時間和圖像更少。無需擁有部署方面的專業(yè)知識，對于從機器視覺初學者到專家的所有人，邊緣學習都是一項可行的自動化解決方案。自動化視覺檢測對于提高制造速度和精度至關重要。生產線工程師已意識到這些好處，并努力實現視覺檢測的自動化，但經常因機器視覺的額外復雜性而受到限制，包括必須擁有所需程度的技術專業(yè)知識，并且涉及大量編程，更不用說更復雜的AI應用。即使是在使用傳統的機器視覺方面擁有豐富經驗的自動化工程師也認識到，在視覺對象很復雜或缺陷和變化很細微時存在著局限性。雖然深度學習解決方案能夠很好地應對這些情況，但要有效地使用深度學習，除了自動化工程師專業(yè)知識以外，可能還需要其他高級技能。對于尋求輕松將自動化集成到生產線的工程師，以及經常使用基于規(guī)則的機器視覺工具但缺乏特定AI或深度學習專業(yè)知識的自動化工程師專家，邊緣學習是理想的解決方案。邊緣學習3邊緣學習在一組經過預先訓練的AI算法中嵌入基于規(guī)則的高效機器視覺，來創(chuàng)建針對工廠自動化進行優(yōu)化的集成式工具集。該技術不需要機器視覺和深度學習方面的專業(yè)知識。生產線工程師可以使用對于所要求任務已掌握的知識來訓練邊緣學習。通過使用基于智能相機的單一解決方案，邊緣學習可以在幾分鐘內部署到任何生產線上。這種解決方案集成了：高質量的視覺硬件；預處理每張圖像以減少計算量的機器視覺工具；旨在解決工廠自動化問題的預訓練網絡；專為工業(yè)應用而設計的直觀用戶界面。邊緣學習與現有的深度學習框架之間的差別在于，邊緣學習并非通用的，而是專為工業(yè)自動化量身定制的。邊緣學習與其它深度學習產品的差別在于，邊緣學習強調在部署的所有階段均實現易用性。例如，邊緣學習只需要更少的圖像即可實現概念驗證，圖像設置和采集時間更短，并且不需要進行專門的編程。通過使用基于智能相機的單一解決方案，通過使用基于智能相機的單一解決方案，邊緣學習可以在幾分鐘內部署到任何生產線上。4邊緣學習邊緣學習非常強大，能夠分析其視野中的多個感興趣區(qū)域（ROI)，并把每個區(qū)域歸入不同的類別。因此，邊緣學習能夠執(zhí)行復雜的裝配驗證。例如，邊緣學習能夠驗證和分類一個由高速生產線上機器人裝箱的冷凍餐盤的4個區(qū)域。在每個餐盤上，底層中心區(qū)域裝有蛋白質，上層左側裝有蔬菜，上層中間裝有甜食或配菜，上層右側裝有淀粉類食物。每個區(qū)域可裝有多個SKU，即蛋白質區(qū)域裝有雞肉、火雞肉或肉餅條，淀粉類食物區(qū)域裝有米飯、土豆或意大利面。只需一次簡單的點擊和拖動，就可為邊緣學習定義每個區(qū)域，并將每個區(qū)域鎖定為餐盤的固定功能。此后，用少數圖像來訓練邊緣學習，使邊緣學習能夠對餐盤的每個區(qū)域進行分類（每個可能的類別通常僅需2張圖像）。經過數分鐘的培訓，邊緣學習將快速準確地對不同區(qū)域進行分類。如果引入更多變化（例如新類別或者同一類別內新樣式可用新類別的數張圖像來更新此工具。對冷凍餐盤行之有效的工具也適用于印刷電路板（PCB）和其它復雜組件。邊緣學習不僅可用于分類和分揀任務，還可用于自動進行光學字符讀?。∣CR）等應用。例如，它可讀取蝕刻文本，同時解析多行字符，并辨識復雜背景（包括鏡面和金屬表面）中的文本。訓練午餐盒的每個區(qū)域只需少數圖像（每個可能的類別通常僅需2張圖像）。幾分鐘內，邊緣學習能夠快速準確地對午餐盒進行分類。邊緣學習5深度學習模擬人類大腦中的相互交織的神經元強化和弱化聯系的方式，從而形成對圖像的理解。在深度學習中，成百上千層神經網絡面對龐大的相似物體圖像集。每次面對新圖像時，通過修改這些層內和層間的聯系，深度學習學會可靠地識別這些物體，檢測其中的缺陷，而無需任何明確的訓練。廠傳統的深度學習能夠處理龐大的高度詳細的圖像集，因而非常適合復雜或高度個性化的應用。因為此類應用引入了重大差異，所以深度學習需要先進的計算力和強大的訓練能力。為了考慮這些差異并捕獲所有可能的結果，訓練時必須使用數百張或數千張圖像。傳統的深度學習讓學習者能夠快速高效地分析此類圖像，為自動執(zhí)行復雜任務提供卓有成效的解決方案。雖然經過充分訓練的深度學習產品和開源框架經過了精心設計，旨在處理復雜的應用，但大部分工廠自動化應用涉及的復雜度較低，導致邊緣學習成為更合適的解決方案。廠通過一開始就把對工廠自動化要求和用例的了解嵌入神經網絡連接，就可以運用功能強大的AI來解決工廠自動化問題。預訓練消除了龐大的計算量，這在受到適當的傳統機器視覺工具支持時尤其如此。所產生的便是邊緣學習，也就是一套在車間實時運行的輕量化的快速視覺工具，供生產線工程師在日常工作中使用。每個類別只需5至10張圖像，即可在數秒內訓練邊緣學習工具。相較而言，深度學習解決方案需要使用數百至數千張圖像來進行數小時乃至數天的訓練。通過簡化部署，邊緣學習讓制造商能夠快速提升產能，同時保持敏捷并且能輕松根據變化作出調整。6邊緣學習為了優(yōu)化邊緣學習網絡以便在嵌入式視覺系統中運行，特定的感興趣區(qū)域。如果這些按比例縮小的圖像能夠制了邊緣學習在非常先進且高度準確缺陷探測應用中的使用。傳統的深度學習解決方案能更好的處理此類為了優(yōu)化邊緣學習，只分析特定的感興趣區(qū)域。邊緣學習相對于深度學習的三大優(yōu)勢深度學習邊緣學習優(yōu)勢深度學習訓練需要更少圖像訓練需要5訓練需要更少圖像訓練需要5至10張圖像需要數秒乃至數分鐘的處理時間更快速學習需要數秒乃至數分鐘的處理時間更快速學習更易于使用無需任何過往經驗需要深入了解更易于使用無需任何過往經驗邊緣學習7基于AI的解決方案可能需要復雜的處理和大量的計算資源。邊緣學習如何將此功能應用到車間？傳感器自動聚焦鏡頭集成光源邊緣學習把許多復雜的硬件匯聚成外形小巧的裝置。邊緣學習完全在智能攝像頭內運行，此攝像頭裝備有集成光源、自動對焦自動聚焦鏡頭集成光源光源是高質量初始圖像的關鍵所在，因為光源對于將對比度最高速自動對焦鏡頭可確保始終聚焦目標物體，即使在變更距離的情況下也是如此。鏡頭在感興趣區(qū)域（ROI）發(fā)生變化時可立即調整焦距。液體自動對焦鏡頭比具有同等效果的機械鏡頭更小、更輕，在縮小攝像頭體積和減輕攝像頭重量的同時，也讓其可以耐抗生產線的沖擊和震動。功能強大的大型傳感器可提供更高分辨率和廣視角（FOV)。所有這些硬件功能幫助實現了邊緣學習?；谝?guī)則的視覺工具能夠非常高效地執(zhí)行專業(yè)任務，例如定位、測量和定向。這些視覺工具可滿足具體的工廠自動化需求，結合在一起，便可進行邊緣學習，無需連接視覺工具或構建復雜的邏輯序列。這些工具可以快速預處理任何圖像，提取密度、邊緣以及憑借經發(fā)現邊緣測量距離查找圖案驗判定為與探測和分析制造缺陷相關的其他特征信息。這些工具可通過識別和明確圖像的相關部位，來減少深度學習的計算量。過去幾年里，AI已革新了工廠自動化。AI不使用人類程序員創(chuàng)造的規(guī)則，而是通過示例來學習，借助可接受和不可接受部件的帶標記示例，構建神經網絡和制定有效的通過/失敗閾值。它是有效地模仿人類學習的方式。這些AI功能可能會有大量的計算要求。另一方面，邊緣學習則利用工廠自動化圖像具有特定的結構化內容這一特點，并采用此領域知識預先訓練算法。這種技術并非從零開始處理，因此應用的計算密集度更低。8邊緣學習邊緣學習完全在攝像頭上運行，因此不要求提取數據到個人電腦上進行處理。后者會占用空間、產生延遲并要求IT干預，進而導致解決方案總體上更昂貴。由于外形小巧，邊緣學習可方便地安裝到具有許多其它設備的生產線上，并且自帶一種可根據地點需要來進行調節(jié)的復雜照明。邊緣學習的訓練過程類似于訓練生產線上的新員工。邊緣學習的用戶并不需要了解視覺系統或AI的工作原理，而是需要知道他們要解決的問題是什么。如果場景很簡單，例如，只是將可接受和不可接受部件分類為正常/異常，則用戶需要知道哪些部件可接受，哪些部件不可接受。這可能包括通過測試生產線而獲得的不易發(fā)現的知識，這些知識可揭示人類難以發(fā)現的缺陷。在確定部件中的重要差異，以及不重要且不會影響功能的差異方面，邊緣學習特別有效。邊緣學習并不局限于二元分類（“正常/異?！倍强梢詫⑽锲贩诸悶槿我鈹盗康念悇e。如果需要根據組件或配置將部件分揀為三個或四個不同的類別，則安裝起來很容易。邊緣學習還能夠關注到圖像中的多個感興趣區(qū)域多類別分類：邊緣學習工具能夠在罩板包裝中對藥片進行多類別分失藥片”或“藥片錯配”。錯配缺失錯配缺失多個感興趣區(qū)域（ROI）裝配驗證：邊緣學習工具檢查三個不同的區(qū)域，以確保急救工具箱中包含所有必要的零部件。邊緣學習9邊緣學習在各行各業(yè)中都非常實用，能夠簡化工廠自動化并解決不同復雜程度的任務，許多印刷電路板（PCB）含有指示狀態(tài)的LED指示燈。此應用傳輸如果使用傳統機器視覺來進行這些判斷，通常利用的是像素計數工具。這涉及設置具體位置在各種條件下的亮度閾值，這個復雜過程需要具備機器視覺編程經驗。傳輸邊緣學習工具可以用一小組帶標簽的OFF、PWR和TX狀態(tài)圖像進行訓練。在經過簡短訓練之后，邊緣學習就可以按照這三種狀態(tài)，對PCB進行可靠地分類。對于電子產品，為了方便追蹤，零部件往往標有批號。這些條碼通常打印在標簽上，直接貼在零件表面。由于背景多樣化，自動讀取這種條碼可能難以進行，但邊緣學習則能輕松勝任。邊緣學習能夠正確辨識打印標簽上的字符，即使這些字符是印在零部件的金屬表面。玻璃瓶自動按預定高度灌裝藥物。在加蓋之前，必須確認高度在合理容差范圍內。玻璃瓶的透明和反射性質，再加上其內容物，導致傳統機器視覺難以一致地檢出灌裝高度。邊緣學習經過訓練，可識別灌裝高度，而不會遭受由圖像反射、折射或其他干擾性變化產生的混淆。灌裝太高或太低都會歸類為“異?！保挥性谌莶罘秶鷥炔艜w類為“正?！薄＿吘墝W習可驗證合適的灌裝高度，同一技術還可用于讀取藥瓶標簽上的文本。僅利用少量樣本圖像，邊緣學習便能夠解讀鏡面的多行文本，從而同時檢查有效期和批號。這有助于確保疫苗有效性并滿足可追溯性要求。10瓶裝軟飲料和果汁灌裝后用螺口蓋密封。如果旋轉蓋螺紋錯位或在擰蓋過程中損壞，就會產生間隙，這可能造成污染或漏液。不管是速度，還是瓶蓋幾乎密封而又未完全封死的各種方式，這都給傳統的機器視覺帶來了一大挑戰(zhàn)。您可以讓邊緣學習識別一組標為合格的圖片，以及一組顯示瓶蓋有微小裂縫但人眼幾乎無法察覺的圖片。然后就可以按生產線速度將完全密封的瓶蓋歸類為“正?！?，將其他所有瓶蓋歸類除了能驗證瓶蓋密封的完整性之外，部署邊緣學習還能夠校驗各