| 作者：Johanna Pingel，MathWorks

隨著各類數據日益豐富可得，并且有越來越多的工具支持從數據處理到部署的整個工作流，AI 模型的重要性已不再局限于機器人和自動駕駛等為人熟知的傳統應用，而是正朝著各個領域不斷拓展。

為了開發 AI 驅動的產品，工程師需要將 AI 嵌入到整個系統設計工作流。此工作流包括四個主要步驟：

數據準備

AI 建模

仿真和測試

部署

AI 工作流的各個步驟。每一步都建立在前一步的基礎上，包括建立 AI 模型以嵌入到完整的 AI 系統中。

盡管這一工作流適用于各個應用領域的大多數工程項目，但最終取得的成果卻可能大不相同，以下示例就展示了這一點。

1.自動缺陷檢測

自動化檢查和缺陷檢測對于生產系統中的高吞吐量質量控制至關重要。檢查和缺陷檢測系統在許多行業中用于檢測制造表面上的缺陷。部署的 AI 缺陷檢測算法可能比圖像處理等傳統方法更快、更穩定。

一種簡單的 CNN 架構。從圖像中自動學習特征以識別不同類的對象，在本例中是正常零件和有缺陷的零件。

空客公司建立了 AI 模型來自動檢測飛機管道中的缺陷。他們采取不同的光照條件、角度和位置對飛機上的管道錄制視頻。在標注視頻數據后，他們設計并訓練深度學習網絡，該網絡使用語義分割等方法來識別通風孔和線路在管道上的位置。用戶界面實時顯示缺陷檢測結果。

2.MEG 信號的解碼

在 AI 系統工作流中使用信號數據有其特殊難點。工程師很少直接將原始信號數據輸入到 AI 模型中，因為信號數據往往含有噪聲并且占用大量內存。

較為常見的做法是采用時頻方法來變換數據，以計算可供模型學習的最重要的特征。

工程師可以通過多種方式為 AI 模型的輸入進行數據轉換。例如，他們可以使用小波散射將原始信號數據轉換為“圖像”。

可以使用各種方法來變換信號數據。然后，可以在 CNN 架構中使用這些圖像，通過深度學習對信號數據進行分類。

對于晚期肌萎縮側索硬化 (ALS) 患者，隨著病情的發展，交流變得越來越困難。德克薩斯大學奧斯汀分校的研究人員開發了一種非侵入性技術，該技術使用小波和深度神經網絡對腦磁圖 (MEG) 信號進行解碼，并在患者想象說出整句話時可以檢測到整句話。

研究人員使用小波多分辨率分析對 MEG 信號進行去噪和分解，使之成為特定的神經振蕩帶。

他們從去噪和分解的信號中提取特征，并使用這些特征來訓練支持向量機 (SVM) 和淺層人工神經網絡 (ANN)。

然后，該團隊自定義了三種預訓練的深度卷積神經網絡——AlexNet、ResNet 和 Inception-ResNet——來對 MEG 信號進行解碼，從而將分類準確度從 80% 提高到 96% 以上。

3.基于雷達的目標檢測

在自動駕駛汽車中，相比相機，基于雷達的系統可以在夜間、惡劣天氣和相對較遠的距離更好地檢測行人和其他目標。AI 分類算法可用于雷達信號，以根據特征識別不同的目標組。

雷達信號轉換為頻譜圖，用于對三個具有不同特征的目標進行分類。

為了實現此功能，PathPartner 的雷達團隊開發了基于雷達點云檢測的分類器。他們在嵌入式平臺上實現該分類器，并在實際測試場景中進行驗證。

在早期測試中，分類器需要 5-8 秒才能檢測到人——時間太長，效果不佳。該團隊將幀率從每秒 3 幀增加到了每秒 5 幀，創建了一組新特征(這些特征是前一組特征的滑動平均值)，解決了延遲問題。通過測試和快速設計迭代，他們實現了 99% 的目標檢測準確度。

4.預測性維護

對于依賴機器進行制造和生產的公司來說，機器故障會導致停機，代價不容小覷。

部署運行狀態監控和預測性維護系統可以最大限度地降低這些成本和提高效率。

預測性維護應用使用高級統計和機器學習算法，在機器出現故障之前識別這些潛在故障。

Mondi Gronau 的塑料生產工廠每年生產約 1800 萬噸塑料和薄膜產品。該工廠的 900 名員工一年 365 天、每天 24 小時操作大約 60 臺塑料噴注、印刷、涂膠和卷繞機器。

Mondi 開發了運行狀況監控和預測性維護應用程序，可基于機器學習模型進行預測。借助該應用程序，設備操作人員會在潛在故障發生之前收到警告。

Mondi 創建了該應用程序的獨立可執行版本，現已投入工廠生產中使用。

使用分類學習器診斷故障，該 App 會比較各種機器學習算法，以在部署前確定最準確的模型。

原文標題：應用示例 | AI 算法的 4 項成熟應用

文章出處：【微信公眾號：MATLAB】歡迎添加關注!文章轉載請注明出處。

審核編輯：湯梓紅