将AI嵌入到整个系统设计工作流的步骤及应用

| 作者：Johanna Pingel，MathWorks

随着各类数据日益丰富可得，并且有越来越多的工具支持从数据处理到部署的整个工作流，AI 模型的重要性已不再局限于机器人和自动驾驶等为人熟知的传统应用，而是正朝着各个领域不断拓展。

为了开发 AI 驱动的产品，工程师需要将 AI 嵌入到整个系统设计工作流。此工作流包括四个主要步骤：

数据准备

AI 建模

仿真和测试

部署

AI 工作流的各个步骤。每一步都建立在前一步的基础上，包括建立 AI 模型以嵌入到完整的 AI 系统中。

尽管这一工作流适用于各个应用领域的大多数工程项目，但最终取得的成果却可能大不相同，以下示例就展示了这一点。

1.自动缺陷检测

自动化检查和缺陷检测对于生产系统中的高吞吐量质量控制至关重要。检查和缺陷检测系统在许多行业中用于检测制造表面上的缺陷。部署的 AI 缺陷检测算法可能比图像处理等传统方法更快、更稳定。

一种简单的 CNN 架构。从图像中自动学习特征以识别不同类的对象，在本例中是正常零件和有缺陷的零件。

空客公司建立了 AI 模型来自动检测飞机管道中的缺陷。他们采取不同的光照条件、角度和位置对飞机上的管道录制视频。在标注视频数据后，他们设计并训练深度学习网络，该网络使用语义分割等方法来识别通风孔和线路在管道上的位置。用户界面实时显示缺陷检测结果。

2.MEG 信号的解码

在 AI 系统工作流中使用信号数据有其特殊难点。工程师很少直接将原始信号数据输入到 AI 模型中，因为信号数据往往含有噪声并且占用大量内存。

较为常见的做法是采用时频方法来变换数据，以计算可供模型学习的最重要的特征。

工程师可以通过多种方式为 AI 模型的输入进行数据转换。例如，他们可以使用小波散射将原始信号数据转换为“图像”。

可以使用各种方法来变换信号数据。然后，可以在 CNN 架构中使用这些图像，通过深度学习对信号数据进行分类。

对于晚期肌萎缩侧索硬化 (ALS) 患者，随着病情的发展，交流变得越来越困难。德克萨斯大学奥斯汀分校的研究人员开发了一种非侵入性技术，该技术使用小波和深度神经网络对脑磁图 (MEG) 信号进行解码，并在患者想象说出整句话时可以检测到整句话。

研究人员使用小波多分辨率分析对 MEG 信号进行去噪和分解，使之成为特定的神经振荡带。

他们从去噪和分解的信号中提取特征，并使用这些特征来训练支持向量机 (SVM) 和浅层人工神经网络 (ANN)。

然后，该团队自定义了三种预训练的深度卷积神经网络——AlexNet、ResNet 和 Inception-ResNet——来对 MEG 信号进行解码，从而将分类准确度从 80% 提高到 96% 以上。

3.基于雷达的目标检测

在自动驾驶汽车中，相比相机，基于雷达的系统可以在夜间、恶劣天气和相对较远的距离更好地检测行人和其他目标。AI 分类算法可用于雷达信号，以根据特征识别不同的目标组。

雷达信号转换为频谱图，用于对三个具有不同特征的目标进行分类。

为了实现此功能，PathPartner 的雷达团队开发了基于雷达点云检测的分类器。他们在嵌入式平台上实现该分类器，并在实际测试场景中进行验证。

在早期测试中，分类器需要 5-8 秒才能检测到人——时间太长，效果不佳。该团队将帧率从每秒 3 帧增加到了每秒 5 帧，创建了一组新特征(这些特征是前一组特征的滑动平均值)，解决了延迟问题。通过测试和快速设计迭代，他们实现了 99% 的目标检测准确度。

4.预测性维护

对于依赖机器进行制造和生产的公司来说，机器故障会导致停机，代价不容小觑。

部署运行状态监控和预测性维护系统可以最大限度地降低这些成本和提高效率。

预测性维护应用使用高级统计和机器学习算法，在机器出现故障之前识别这些潜在故障。

Mondi Gronau 的塑料生产工厂每年生产约 1800 万吨塑料和薄膜产品。该工厂的 900 名员工一年 365 天、每天 24 小时操作大约 60 台塑料喷注、印刷、涂胶和卷绕机器。

Mondi 开发了运行状况监控和预测性维护应用程序，可基于机器学习模型进行预测。借助该应用程序，设备操作人员会在潜在故障发生之前收到警告。

Mondi 创建了该应用程序的独立可执行版本，现已投入工厂生产中使用。

使用分类学习器诊断故障，该 App 会比较各种机器学习算法，以在部署前确定最准确的模型。

原文标题：应用示例 | AI 算法的 4 项成熟应用

文章出处：【微信公众号：MATLAB】欢迎添加关注!文章转载请注明出处。

审核编辑：汤梓红