机器视觉的现状和未来发展趋势

深度学习是人工智能的热点发展方向之一，将推动我们步入控制设计和工业物联网的新台阶。机器视觉在工业控制领域极其重要，借助这些技术，使用数据驱动部署复杂的机器和设备。

为了比竞争对手更好地服务其目标客户，当今的嵌入式设计团队正在寻求机器学习（ML）和深度学习（DL）等新技术，以便在有限的资源下按时向市场开发和部署复杂的机器和设备。借助这些技术，团队可以使用数据驱动的方法构建复杂的单系统或多系统模型。 ML和DL算法不是使用基于物理学的模型来描述系统的行为，而是透过数据推断出系统的模型。 传统ML算法适用于处理数据量相对较小且问题的复杂度较低的情况。 但如果是像自动驾驶汽车这样的大数据问题呢？ 解决这个挑战需要采用DL技术。 本文介绍了这种新兴技术将如何推动我们进入控制设计和工业物联网（IIoT）应用的下一个时代。

1 ML技术在工业资产状态监测中的应用

首先考虑机器学习（ML）技术在工业资产状态监测中的应用。 ML有助于将基于状态的监测应用从被动维护和预防性维护转变为预测性维护。 这些技术常用于检测异常行为和诊断问题，并在一定程度上预测电机、水泵和涡轮机等工业资产的剩余使用寿命。

基于ML的模型开发和部署流程如图1所示。

图1 基于机器学习的分析流程

看看这个工作流程是如何用来监控电机的健康状况的。 数据是从加速度计、热电偶和连接到电机的电流传感器等多种类型的传感器采集而来。 特征工程步骤通常由两部分组成： 特征提取和特征约简。 特征提取用于从原始数据（或波形）中导出有助于了解资产健康情况的信息。 例如，来自电机的电流信号的频谱中嵌入了可用于检测故障的信息，如图2所示。频谱中不同频带上的平均振幅可用作为从电流信号中提取的特征。 从多个传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）等特征约简方法来减少最终用于建立模型的特征的数量。 特征的数量减少，意味着要使用的ML模型的复杂性降低了。 减少的特征集表示为向量（或数组），并输入到ML算法中，ML算法将用于模型创建步骤。 模型创建和验证是一个迭代过程，在这个过程中，您可以尝试使用几种ML算法，并选择最适合您应用的算法。

图2 对电机电流信号进行特征约简

图 3 特征工程

无监督的ML算法（如高斯混合模型（GMM））可用于模拟电机的正常行为，并检测电机何时开始偏离其基线。 无监督的方法不需要标记数据就可以发现数据中的隐藏模式。 无监督的技术主要用来检测电机的异常，监督算法则用于检测异常的原因。 在有监督的方法中，算法以输入数据和期望输出的组合表示。 这个数据称为标签数据。 算法会学习函数将输入映射到输出。 用于训练ML算法的数据包含在正常和错误条件下提取的特征。 使用表示电机状态的标签可清楚地标识特征。 常用的监督ML算法包括支持向量机（SVM）、逻辑回归和人工神经网络。

传统ML技术面临的挑战是特征提取过程。 这个过程需要专业的领域知识，而且非常容易出错，通常是ML工作流程中的故障点。 因此现在越来越多人采用DL算法，因为它们无需使用特征工程步骤。 从传感器采集的数据（原始测量数据）可以直接输入到DL算法中，如下所示。

图4 深度学习工作流程

DL算法基于人工神经网络。 人工神经网络学习算法受到生物神经网络的结构和功能的启发。 这些算法采用相互连接的计算节点（人工神经）组的形式结构，而计算节点采用层的结构形式。 第一层称为输入层，作为与输入信号或数据的连接接口。 最后一层是输出层，该层中的神经元输出最终的预测或决定。 在输入层和输出层之间，有一个或多个隐藏层（图5）。 每一层的输出通过加权连接的方式连接到下一层的节点。 神经网络通过修改这些权重来学习输入和输出之间的映射。 通过使用多个隐藏层，DL算法可以学习需要从输入数据中提取的特征，而不需要将特征明确地输入到学习算法中。 这就称为特征学习。

图5 前馈人工神经网络