機(jī)器視覺作為驅(qū)動中國制造業(yè)發(fā)展的重要先進(jìn)技術(shù)，在半導(dǎo)體、電子制造、汽車、醫(yī)藥和食品包裝等領(lǐng)域得到廣泛應(yīng)用；在此背景下，高工產(chǎn)業(yè)研究所（GGII）預(yù)測2024年中國機(jī)器視覺市場規(guī)模有望突破200億元，同比增速接近12%。

隨著人工智能（AI）技術(shù)的迅猛發(fā)展，多數(shù)制造行業(yè)的機(jī)器視覺負(fù)責(zé)人認(rèn)為AI機(jī)器視覺可以實現(xiàn)更好的性能和更多的功能。因此，為行業(yè)提供機(jī)器視覺解決方案的合作伙伴們需要進(jìn)一步思考如何為客戶優(yōu)化前沿技術(shù)，讓深度學(xué)習(xí)機(jī)器視覺等技術(shù)在企業(yè)內(nèi)部變得更易于獲取、更便于使用、并部署得更好。此外，云計算的部署也是推動機(jī)器視覺應(yīng)用的重要一環(huán)，盡管仍有一些制造商對于云計算的采用躊躇不前，現(xiàn)在正是克服這些顧慮的最佳時機(jī)。

對于制造商而言，購入機(jī)器視覺解決方案的方式多種多樣，主要方式之一是在生產(chǎn)地點進(jìn)行現(xiàn)場方案評估和選擇，后續(xù)進(jìn)入公司的審批流程；或者方案的選擇和審批等主要流程均在生產(chǎn)地點現(xiàn)場進(jìn)行。這種以“現(xiàn)場”為中心的方式有其優(yōu)點，但也可能帶來一些不盡如人意的部署差異。具體而言，即便是相似的工作流程，不同生產(chǎn)地點也可能采用不同的機(jī)器視覺解決方案，而且這些地點之間可能無法實現(xiàn)專業(yè)知識和數(shù)據(jù)的共享。即便團(tuán)隊有相關(guān)需求，也很難通過傳統(tǒng)的機(jī)器視覺系統(tǒng)實現(xiàn)集成、互通和安全的數(shù)據(jù)共享。

不同的生產(chǎn)地點帶來的數(shù)據(jù)挑戰(zhàn)

AI，尤其是深度學(xué)習(xí)，它們因數(shù)據(jù)而生，大量、多樣的優(yōu)質(zhì)數(shù)據(jù)和快速的數(shù)據(jù)生成、處理速度是訓(xùn)練和測試深度學(xué)習(xí)模型的關(guān)鍵，這樣我們才可以在實際部署時實現(xiàn)預(yù)期的效果。

不同團(tuán)隊和生產(chǎn)地點之間的經(jīng)驗和可用時間各不相同，信息孤島由此顯現(xiàn)，這加大了獲得優(yōu)質(zhì)數(shù)據(jù)的難度。數(shù)據(jù)需要在存儲、標(biāo)注后用于訓(xùn)練模型，而模型測試還需要使用其他數(shù)據(jù)集。在這種情況下，處于“孤島”狀態(tài)的企業(yè)數(shù)據(jù)是沒有意義的，不利于更好地訓(xùn)練機(jī)器視覺模型。

深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)應(yīng)盡可能多地接觸到各種變量，包括不同的生產(chǎn)時間和生產(chǎn)天數(shù)。除非使用能夠模擬訓(xùn)練數(shù)據(jù)的平臺，數(shù)據(jù)集必須混合不同時間點的隨機(jī)數(shù)據(jù)，盡管這需要采集一段時間內(nèi)的數(shù)據(jù)，并且可能會帶來不便，但這正是訓(xùn)練一個強(qiáng)大模型的關(guān)鍵所在。如何才能充分利用各個生產(chǎn)地點，甚至是跨國家和地區(qū)的所有可用數(shù)據(jù)，這是制造商及其機(jī)器視覺負(fù)責(zé)人面臨的主要挑戰(zhàn)之一。

不同的生產(chǎn)地點帶來的另一難題在于如何確保深度學(xué)習(xí)模型基于多樣化的對象集進(jìn)行訓(xùn)練。在一組數(shù)量有限且?guī)缀跸嗤膶ο蠹嫌?xùn)練而成的模型，難以應(yīng)對現(xiàn)實世界的變化和差異。例如，訓(xùn)練一個模型用以識別制造組件的缺陷，不能僅依靠20張同一組件的不同角度圖像。訓(xùn)練數(shù)據(jù)中需要有20至50個真正不同的對象才能確保模型的有效性，盡管整個生產(chǎn)場景可能受到地點變化的影響（例如不同的照明和/或不同的傳送帶等），但這些對象必須有明顯的區(qū)別，除背景之外沒有任何其他相同元素。

工業(yè)流程還受到各種環(huán)境因素的影響，例如不斷變化的環(huán)境光、材料的細(xì)微差別、振動、噪聲、溫度、生產(chǎn)條件的改變等。如果訓(xùn)練數(shù)據(jù)未考慮到這些變化，就會降低模型的準(zhǔn)確性。每個地點都可能在清晰度、工作距離、環(huán)境光等因素上有所不同，模型也會學(xué)習(xí)和處理這些變量，因此訓(xùn)練數(shù)據(jù)集應(yīng)反映模型在現(xiàn)實場景中可能遇到的各種變化。如果工業(yè)流程涉及到多個生產(chǎn)地點，顯然不能只采集其中一個地點的數(shù)據(jù)，或者將所有生產(chǎn)地點的數(shù)據(jù)孤立保存。因此，實現(xiàn)不同環(huán)境條件、不同生產(chǎn)地點的數(shù)據(jù)采集和共享也必不可少。

不同的生產(chǎn)地點所帶來的另一個問題是深度學(xué)習(xí)模型訓(xùn)練數(shù)據(jù)的標(biāo)注。數(shù)據(jù)標(biāo)注不準(zhǔn)確、不清晰和不一致必然會導(dǎo)致模型表現(xiàn)不佳，可見確保標(biāo)注精確且無歧義至關(guān)重要，這需要制造業(yè)團(tuán)隊在標(biāo)注項目上開展協(xié)作。在實際操作中，一個常見錯誤是在不同的圖像上標(biāo)注不同的缺陷類型，而有些缺陷卻又完全沒有標(biāo)注，而且對于什么是缺陷的判斷也可能是主觀的，因此交叉驗證非常關(guān)鍵。無論哪種類型的缺陷都應(yīng)清晰地標(biāo)注在所有相關(guān)圖像上。同樣，如果不采取統(tǒng)一的標(biāo)注方法也不利用云技術(shù)的話，跨地點或跨國家的數(shù)據(jù)標(biāo)注挑戰(zhàn)也將繼續(xù)存在。

深度學(xué)習(xí)云平臺解決方案

制造行業(yè)的機(jī)器視覺團(tuán)隊需要新的方法來實施深度學(xué)習(xí)機(jī)器視覺，云技術(shù)便是其中一種新方法?；谠频臋C(jī)器視覺平臺可讓用戶從多個地點（包括生產(chǎn)地點、國家和地區(qū)）安全地上傳、標(biāo)記和標(biāo)注數(shù)據(jù)。在云平臺上匯集來自不同地點和環(huán)境的大量多樣化數(shù)據(jù)，更有利于深度學(xué)習(xí)的訓(xùn)練。此類平臺可以讓指定的用戶開展實時協(xié)作，共同完成標(biāo)注、訓(xùn)練和測試項目并共享他們的專業(yè)知識。

與許多行業(yè)一樣，制造商也面臨著招聘和留用資深機(jī)器視覺專家的挑戰(zhàn)。試想一下，假如一家企業(yè)能夠更加輕松地利用某個生產(chǎn)地點、國家或地區(qū)的個人和團(tuán)隊的技能與專業(yè)知識，使所有人受益，尤其是在機(jī)器視覺人才稀少的地方，這將帶來多大的益處。協(xié)作型的云平臺將實現(xiàn)這一愿景。

基于云的解決方案還實現(xiàn)了算力的可擴(kuò)展性與可訪問性。在使用傳統(tǒng)系統(tǒng)的情況下，只有一部分特定員工的電腦配備了非常強(qiáng)大的GPU卡以執(zhí)行大型訓(xùn)練任務(wù)。而通過云技術(shù)，每個用戶都可以通過各自的設(shè)備獲得同樣高的算力。雖然這會產(chǎn)生一些成本，但通過按需付費(fèi)的訂閱模式可能會比企業(yè)投資更多服務(wù)器和雇用更多難得的IT人員更有利。

借助云平臺，具有特定角色、權(quán)限和職責(zé)的用戶便可以在云端訓(xùn)練和測試深度學(xué)習(xí)模型。借助更優(yōu)質(zhì)的訓(xùn)練和測試數(shù)據(jù)，在某些場景中，這些模型可能提供遠(yuǎn)超基于規(guī)則的傳統(tǒng)機(jī)器視覺的視覺檢測分析水平和精度。這也正是汽車、電池、半導(dǎo)體、電子和包裝等行業(yè)的制造商所追求的。

通過軟件即服務(wù)模式，機(jī)器視覺團(tuán)隊可以靈活、便捷地購買云平臺的訂閱服務(wù)，同時不斷獲得技術(shù)合作伙伴更新的功能和模型。借助基于云的深度學(xué)習(xí)平臺，用戶或團(tuán)隊無論位于何處，都能夠在個人電腦和設(shè)備上將模型部署到邊緣，從而為生產(chǎn)線上的靈活數(shù)字化工作流程提供助力。

想要機(jī)器視覺系統(tǒng)能夠更好地工作并實現(xiàn)更多功能，我們需要以新的方式實施、使用和部署這項技術(shù)，而深度學(xué)習(xí)云平臺正為AI機(jī)器視覺管理者指明了前進(jìn)的方向。