数字经济技术给机器视觉注入新的活力

       数字经济作为我国的重大战略部署，其数字经济规模在不断扩张，数字产业化支撑更加坚实、数字产业化支撑能力更加坚实。信息通信产业持续稳定发展，基础软件生态加快构建，一批大数据、云计算、人工智能企业创新发展，奠定数字经济坚实基础。此外，数字技术创新也在稳步推进数字技术部分领域实现跨越式发展，基于云计算与边缘计算的算力水平在快速发展，5G 通信与工业互联技术的快速普及，使数字技术不仅带动传统产业产出增长、效率提升，也使数字技术产业化向着更深层次、更广领域探索。机器视觉技术作为数字经济技术中获取数据的重要途径，对数字经济技术的发展起到至关重要的作用，尤其在工业应用领域，工业生产中的数据获取主要通过视觉系统，在大数据的基础上构建的支持图谱关系为企业工厂提供智能的大脑，从而进行辅助生产决策，质量分析和风险管控等，达到提质增效，降本减存的目的。

（一）大数据与知识图谱

       工业大数据是指在工业领域中，围绕典型智能制造模式，从客户需求到销售、订单、计划、研发、设计、工艺、制造、采购、供应、库存、发货和交付、售后服务、运维、报废或回收再制造等整个产品全生命周期各个环节所产生的各类数据及相关技术和应用的总称。其以产品数据为核心，极大延展了传统工业数据范围，同时还包括工业大数据相关技术和应用。工业大数据技术的研究与突破，其本质目标就是从复杂的数据集中发现新的模式与知识，挖掘得到有价值的新信息，从而促进制造型企业的产品创新、提升经营水平和生产运作效率以及拓展新型商业模式。大数据与知识图谱是把海量的工业数据通过数据挖掘、信息处理、知识计量和图形绘制而显示出来，揭示知识领域的动态发展规律，为企业工厂提供切实的、有价值的参考。大数据为机器学习，特别是深度学习带来深远影响。然而，深度学习也日益表现出其局限性，特别表现在依赖大范围标注数据和难以有效应用先验学问等方面。在深度学习的大量理论中，人们越来越多地发现深度学习模型的结果常常与人的先验学问或者专家学问相抵触。知识图谱技术的引入，可解决深度学习以上的问题。知识图谱概念是 google 在 2012 年提出的。知识图谱最大的优势是在于对数据的描述能力非常强大。工业机器视觉应用的行业都具备各工业工艺知识，依靠行业的数据构建行业知识图谱，具有特定的行业意义，与深度学习技术相结合可构建行业专有模型，能够提高机器视觉系统的准确性。随着计算机辅助工艺过程设计系统（CAPP）在企业的深入应用，可以在不断积累的数字化、结构化工艺数据中应用先进的软件技术，通过对工艺实例数据的自动分析和挖掘，丰富工艺知识库，建立工业知识图谱。工艺知识的挖掘可采取以下方法：基于对象模型驱动的工艺知识挖掘、基于集族的工艺知识挖掘、基于语义结构的工艺知识挖掘。为了提升良品率方面，可以利用工业大数据形成知识图谱，并通过深度计算所有的关联参数 , 精准分析出与生产质量强相关的关键参数，并基于分析结果搭建出参数的曲线模型 , 结合生产过程中实时监测和调控变量 ,最终将最优参数在大规模生产中精准落地。此外 , 形成的知识图谱也可实现提升质检效率、提升测试效率、优化能耗、降低设备维护成本、优化生产工艺等工业需求。以印刷电路板的生产线为例，由于贴片元器件体积小，安装密度大，所以印刷电路板中的视觉检测成为该行业中的关键技术。随着检测的缺陷数据不断积累，形成工业大数据，企业可通过大数据进行各方面的资源配置，组织生产和高效管理，并进一步深入挖掘数据之间的关系，形成知识图谱，通过缺陷点的位置、面积尺寸和外观颜色等特征寻找缺陷之间的关系，并通过关系网络进行方向溯源，精确定位缺陷产生原因，从而提高产品质量。与此同时，通过生产线的监控系统进行实时监控，构建工业大数据网络，从而实现风险管控，预防危险发生，进行风险管控。

（二）深度学习与小样本处理技术发展

       近年来 , 随着大规模标定数据集和深度神经网络结构的提出 , 深度学习算法在图像分类、语义分割、目标检测、显著性检测等任务上取得了很高的准确率 , 甚至超过人类的认知水平。这些视觉领域的突破为人工智能在工业界的应用提供了可能性。深度学习主要解决的是复杂特征刻画能力这一个环节，原来手工特征时代，对于猫狗，植物种类识别这种人眼看起来明显但是操作起来却很难保证准确性的项目，深度学习解决的很好，因为特征的刻画能力大幅提升。但是对于森林图案中找墨点这种应用一样力不从心，原因是特征太不明显。深度学习技术引入以后，手工特征的研究大大减少。因为深度学习可以很好的解决复杂特征刻画问题，虽然我们还无法保证其 100% 可靠性，但是通过技术手段已经可以实现相当高的可靠性。传统机器学习和深度学习的区别，在于传统机器学习还是要求人工设计特征，但是机器学习的分类能力大大提高。不过弊端也很明显，如果输入的特征不典型，没有抓到实质问题，那么机器学习系统也还是无法令人满意。深度学习同时解决了特征刻画和特征分类问题。虽然还无法用理论推出精确的模型结构，但是效果很好。但是 , 将深度学习算法 , 用于实际应用的过程中 , 往往面临着巨大的挑战。首先 , 现实场景往往要比公开的实验数据集更加复杂 , 构造一个能够覆盖完整样本分布的数据集 , 需要耗费大量的人力和财力去采集数据和标定数据 ; 此外 , 现实场景中的目标类别呈现长尾型分布 , 数据丰富的类别只是占总类别的一小部分 , 企业感兴趣的目标类别往往难以获取其训练数据 ; 另外 , 随着社会的不断发展 , 新的物体类别会不断出现，如果让深度神经网络学习这些新的概念，需要及时提供大量的标定数据。因此，如何利用少量样本训练一个面向智能感知的任务模型，对于深度学习的实际应用和探索新的机器学习机制是一个重要任务。现有的基于数据驱动的深度学习，其通用性、泛化能力远不及人类的学习能力。如何模仿人类的学习过程，设计更加合理的机器学习方法解决数据缺失条件下的目标检测和识别，具有重要的现实意义。小样本学习是指只给定目标少量训练样本的条件下，如何训练一个可以有效地识别这些目标的机器学习模型。在智能制造产业中，小样本学习因其可以有效降低数据采集和标定成本，在目标分类、缺陷识别、跟踪及检测等问题中发挥重要的作用，同时，在自动化控制方面，小样本学习还可以解决小样本模仿，目标导航和最优路径等问题，有助于工业机器人在企业工厂中智能灵活的加工生产和高效运输。