利用AI变革工业自动化

通往全智能机器人系统的最先进路径

AI（人工智能）使越来越多业务流程与工业应用实现自动化。智能自动化的范围与步伐直接依赖AI进步，近年实现巨大飞跃。结合强大3D机器视觉，AI让机器人能识别、定位、处理任意类型物体，从而自动化对人类过危险、单调或繁重的任务。

但工业自动化中的AI意指何？如何工作？为追求现代、创新、高生产力的工厂与企业打开哪些可能？先看AI起源与演进。

从早期架构到卷积神经网络

AI一词可代表多种机器能力与过程——从简单统计、决策树到神经网络（如卷积神经网络），甚至强化学习等更先进方法。

AI发展历史经历多种路径，但神经网络因泛化能力被证明最具前景与吸引力。

1990s至2000s早期，神经网络因首个成功字符识别应用受关注，包括银行支票手写数字识别与信件邮编识别。这些网络在MNIST数据集（Modified National Institute of Standards and Technology缩写）训练，包含机器学习与机器视觉用于训练图像处理系统的0-9手写数字集合。MNIST数据集作为分类算法基准，至今仍用于训练测试。

虽经典神经网络能学习几乎任何东西，但属老旧全连接架构，训练耗时费力。因每层神经元全连接下一层——参数量随图像尺寸激增。虽计算机性能提升，训练识别即使小图像仍耗时极长。

AI发展转折点标志为卷积神经网络（CNN）引入。CNN主要用于分析视觉图像，含图像分类或模式识别，构成许多现代机器视觉系统骨干。另一主要应用领域是自然语言处理。

CNN极宽泛地说受大脑视觉皮层系统启发。核心思想非像全连接网络那样全互连，而是仅与相邻神经元连接以创建邻近性，因相邻输入（如像素）携带相关信息。这意味着CNN可有多层，一层神经元仅与下一层空间相近神经元连接。这降低复杂度、神经元数量、从而减少待学参数。因此CNN训练更快、需样本更少、也可应用于更大图像。

“卷积”指CNN检测模式的滤波过程。各层卷积即组合输入并传递结果至下层。

CNN发展进步也得益于图形处理单元（GPU）进步。其性能与算力近年大幅提升，为CNN训练开辟新可能。

AI领域最知名领袖常称“AI教父”的Geoffrey Hinton拥有实验心理学与AI学位。这组合赋予他训练人工神经网络的深刻洞察。

2012年其学生Alex Krizhevsky创建CNN首次实现机器像人一样识别物体，标志AI另一转折。该CNN命名AlexNet，历史上首次让机器像人一样识别物体。

此突破普及卷积神经网络，展示CNN可用的巨大应用范围。

训练卷积神经网络

物体识别中，CNN拥有不变性属性至关重要。即对平移、视角、尺度、光照不变，能无论物体在图像中位置与姿态如何，解释输入模式并分类物体。为达此，CNN需在一定数量示例上训练。增加数据集相关数据量最佳实践是数据增强。

增强是修改输入数据（原始图像）生成若干轻微变体版本。增强技术包括水平/垂直翻转、旋转、缩放、裁剪、沿X/Y方向平移等。

在增强数据上训练CNN使其神经元对增强免疫，防止学习无关模式。翻转的鹦鹉仍被识别为鹦鹉。

此处迁移学习极其有用。为减少训练数据量，可使用现有已训练网络并应用其部分滤波器识别新物体。如识别狗的网络保留部分滤波器、修改特定部分即可用于识别猫。网络将适应猫识别。

模块化卷积神经网络优势

CNN巨大价值在于架构及各模块仅看单个图像块。模块无需同时训练、可轻松拼接。组合这些训练良好模块催生可用于分割的复杂架构。

区别于仅能识别图像内容的AlexNet，这些复杂CNN能做物体分割并定义物体在图像中的位置。

模块化允许使用多种输入通道：若CNN用于黑白数据，也可用于彩色数据；若用于彩色数据，可扩展深度信息。增加额外信息提升CNN性能，含准确度提高与物体及位置识别改善。

从物体识别到智能自动化方案

基于CNN上述特性，Photoneo将CNN作为其先进机器人智能系统与自动化方案基础。

Photoneo CNN处理黑白、彩色及深度数据。算法在大规模物体数据集上训练，遇新类型物品能快速泛化——即识别分类从未“见过”的物体。

以箱子概念为例。算法在大量箱子数据集训练，理解箱子有特定数量面、棱、顶点。此原理对算法未遇到的箱子（甚至挤压损坏）同样适用。AI最大价值在于能泛化训练概念无需进一步重训练。

这使Photoneo系统能识别各种形状、尺寸、颜色、材质物品——机器人能力用于混合物体定位与搬运，含水果鱼类等有机物、包裹分拣、托盘箱子卸载等众多工业应用。

算法也可能遇到特征根本不同于训练物体的物体。这会混淆CNN导致性能下降。解决办法：预判异域物体或拥有良好重训练系统。后者性能暂时下降但CNN能快速重训练恢复满性能。

若客户需拾取非标准件或非商业产品（如工业零部件），可在包含这些异域物品的特定数据集上训练CNN。

客户项目实施时，客户接收Photoneo CNN用于试点测试与可行性研究，确保网络适用特定应用。随后在项目试点阶段图像上进一步改进训练，提供更大变异性。

AI驱动物体识别与拾取的最大挑战

最大挑战也可描述为可拾取物体范围缺失的最后拼图。这最后一块是袋装物。

难点在于袋装物本质：极易变形、充满褶皱、折痕等不规则性。尽管袋装物对AI构成挑战，Photoneo开发系统能识别拾取袋装物——无论装满、半空、有色、透明或半透明。此任务常挑战人眼，难以识别混乱容器中袋装物边界，尤其透明袋。

然而，良好识别定位仅是成功拾取前提一部分。另一部分关联应用机械侧——机器人夹爪。袋装物充满褶皱增加滑落风险。可用合适带反馈的真空夹爪预防。

AI未来发展

尽管近年AI取得重大进展，领域仍有广阔新成就空间。例如强化学习受极大关注，似在建议复杂运动极具前景——如让机器人调整物体位置后再抓取。

强化学习不仅应对物体识别，还处理应用机械问题。意味着不仅让系统识别物品，还基于奖惩评估机器人动作各步骤，“计算”成功或失败概率。即AI算法被训练做出决策序列以最大化总奖励。强化学习威力例证：掌握并赢下围棋。

尽管巨大潜力，强化学习紧密关联其所在环境及可能施加的限制。例如部署夹爪功能与限制始终影响系统整体性能。

AI是新兴技术主驱动力，其发展将高度依赖市场需求、客户期望、竞争等诸多因素。