行情近期分析和预测
|
场景三：基于视觉的表面缺陷检测 基于机器视觉的表面缺陷检测应用在制造业已经较为常见。利用机器视觉可以在环境频繁变化的条件下，以毫秒为单位快速识别出产品表面更微小、更复杂的产品缺陷，并进行分类，如检测产品表面是否有污染物、表面损伤、裂缝等。目前已有工业智能企业将深度学习与3D显微镜结合，将缺陷检测精度提高到纳米级。对于检测出的有缺陷的产品，系统可以自动做可修复判定，并规划修复路径及方法，再由设备执行修复动作。
例如，PVC管材是最常用的建筑材料之一，消耗量巨大，在生产包装过程中容易存在表面划伤、凹坑，水纹，麻面等诸多类型的缺陷，消耗大量的人力进行检测。采用了表面缺陷视觉自动检测后，通过面积、尺寸最小值、最大值设定，自动进行管材表面杂质检测，最小检测精度为0.15mm²，检出率大于99%;通过划伤长度、宽度的最小值、最大值设定，自动进行管材表面划伤检测，最小检测精度为0.06mm，检出率大于99%;通过褶皱长度、宽度的最小值、最大值、片段长度、色差阈值设定，自动进行管材表面褶皱检测，最小检测精度为10mm，检出率大于95%。 2.降维 数据和机器学习是最好的朋友，但是更多、更大的数据会带来许多问题。大量的属性或膨胀的特征空间是常见的问题。一个大型特征空间在带来数据分析和可视化方面的问题的同时，也带来了与训练、内存和空间约束相关的问题。这种现象被称为维度诅咒。由于无监督方法能够帮助我们从未标记的训练数据集中提取见解和模式，因此这些方法在帮助我们减少维度方面很有用。
换句话说，无监督方法能够帮助我们从完整的可用列表中选择一组具有代表性的特征，从而帮助我们减少特征空间，如图1.7所示。 1.2.2 无监督学习 顾名思义，无监督学习算法是在没有监督的情况下对概念进行学习或推断。监督学习算法基于输入数据点和输出信号组成的训练数据集来推断映射函数，而无监督学习算法的任务是在没有任何输出信号的训练数据集中找出训练数据中的模式和关系。这类算法利用输入数据集来检测模式，挖掘规则或将数据点进行分组/聚类，从而从原始输入数据集中提取出有意义的见解。 当我们没有包含相应输出信号或标签的训练集时，无监督学习算法就能派上用场。在许多现实场景中，数据集在没有输出信号的情况下是可用的，并且很难手动对其进行标记。因此无监督学习算法有助于填补这些空缺。 与监督学习算法类似，为了便于理解和学习，无监督学习算法也可以进行分类。下面是不同类别的无监督学习算法。 1.聚类 分类问题的无监督学习算法称为聚类。这些算法能够帮助我们将数据点聚类或分组到不同的组或类别中，而不需要在输入或训练数据集中包含任何输出标签。这些算法会尝试从输入数据集中找到模式和关系，利用固有特征基于某种相似性度量将它们分组。 一个有助于理解聚类的现实世界的例子是新闻文章。每天有数百篇新闻报道被创作出来，每一篇都针对不同的话题，如政治、体育和娱乐等。聚类是一种可以将这些文章进行分组的无监督方法，如图1.6所示。 执行聚类过程的方法有多种，其中最受欢迎的方法包括以下几种。
 （编辑：济南站长网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
