我们如何建立一个图像识别模型来实现钥匙验证过程的自动化
图片来源。
工业物联网在工业4.0中发挥着重要作用，特别是在制造过程的自动化方面。随着传感器、相机和人工智能在边缘的整合，企业现在可以实现众多流程的自动化，如视觉质量控制检查。
以木质单板的制造为例。制造过程的一个重要部分是在高达320°F的温度下干燥木片，以获得约8%至12%的水分含量水平¹。在这个干燥过程之后，必须对木片进行多次验证，以确保它们被正确干燥并符合质量控制标准。
为了帮助实现这一验证过程的自动化，我们在PerceptiLabs中建立了一个图像识别模型，可以将木皮识别为_干_或_湿_。这样的模型有可能帮助制造商自动识别水分含量过高的木皮。
数据集
为了训练我们的模型，我们使用了Veneer21数据集²的图像。原始数据集包括高分辨率的.png图像（一般超过4000x4000像素），分为两类，分别代表_湿_木皮和_干_木皮。使用PerceptiLabs的数据向导，我们将图像预处理为224x224像素。图1显示了这个数据集中的一些_干_木皮的例子图像。
图1：数据集中显示干燥单板的图像实例----。图片来源.
为了将分类映射到图像上，我们创建了一个.csv文件，将每个图像文件与相应的分类号（0=干，1=湿）联系起来，以便使用PerceptiLabs的数据向导加载数据。下面是.csv文件外观的部分例子。
将数据加载到PerceptiLabs的.csv文件的例子，该文件将图像文件映射到其分类号。
模型总结
我们的模型是由三个部分组成的。
组件1：卷积神经网络（CNN），激活=ReLU，特征图=16，Patch_size=3，Stride=2
组件2：密集，激活=ReLU，神经元=256
组件3：密集，激活=Softmax，神经元=2
图2显示了PerceptiLabs中模型的拓扑结构。
图2：PerceptiLabs中模型的拓扑结构------。图片来源.
训练和结果
我们使用 ADAM优化器、0.001的学习率和Cross Entropy损失函数，对模型进行了5次历时的训练，每批32次。训练时间约为22分10秒，我们的训练准确率为100%，验证准确率为99.7%。图3是PerceptiLabs在训练中的统计视图。
图3：训练期间PerceptiLabs的统计视图 - .图片来源.
下面的图4和图5显示了训练期间五个历时的准确率和损失。
图4：训练期间的准确度 - .图片来源.
图5：训练期间的损失 - .图片来源.
在这里我们可以看到，在训练和验证的第一个历时中，准确率增加最多，损失减少最多。在第一个历时之后，准确率和损失在剩下的历时中保持稳定。
垂直应用
像这样的模型可以用来检测生产线上的制造缺陷。例如，该模型可以用来分析通过工厂车间的摄像头获取的照片或视频帧，这些照片或视频帧是在制造过程中通过装配线时拍摄的单板。任何含有_湿_木头的板材都可以被标记出来，供工厂工人进一步检查。该模型本身也可以作为转移学习的基础，以创建更多的模型来检测其他类型的材料或产品的缺陷。
总结
这个用例是一个如何利用图像识别来帮助制造业的例子。如果你想建立一个类似的深度学习模型，请运行PerceptiLabs并查看我们在GitHub上为这个用例创建的Repo。
² T. Jalonen, F. Laakom, M. Gabbouj and T. Puoskari, "Visual Product Tracking System Using Siamese Neural Networks," in IEEE Access, vol. 9, pp. 76796-76805, 2021, doi: 10.1109/ACCESS.2021.3082934.
用例。将木材单板分为干的和湿的》最初发表在《走向数据科学》杂志上，人们通过强调和回应这个故事来继续对话。
