人工智能(AI)是一门致力于开发计算机系统的前沿理论与技术，这些系统具备执行通常依赖人类智能才能完成的各类任务的能力。这些任务包括视觉感知与模式识别、语音识别、决策制定、自然语言处理与翻译等多个关键领域。机器学习作为人工智能的一个重要分支，赋予了计算机在无需人类辅助的情况下，从海量数据中自主学习的卓越能力。而深度学习作为机器学习的一种先进形式，能够训练计算机模拟人类执行各种复杂任务，如精准识别语音、准确辨认图像或进行合理预测。
人工智能指的是机器，特别是配备了合适软硬件的计算机系统，对人类智能过程的模拟。这涉及创建能够执行通常需要人类智能的任务的系统，比如理解自然语言、识别模式、做出决策、解决问题以及从经验中学习等。人工智能涵盖了广泛的技术、算法和方法，每种都有不同的用途。
近年来，人工智能在计算机视觉、基于大语言模型的生成式人工智能等领域迅速崛起。在计算机视觉领域，人工智能已成功应用于质量检测场景。基于神经网络的深度学习模型在数字图像处理领域的目标检测和分类任务中展现出了很高的准确性。由于人工智能模型在质量检测过程中通过目标检测和分类开始显示出巨大的替代人类认知的潜力，人工智能辅助的质量检测有望进一步实现这些过程的自动化。
尽管本白皮书主要聚焦于将计算机视觉人工智能应用于自动化检测(即运用人工智能对检测图像进行模式识别),但生成式人工智能的快速发展和日趋成熟，为未来生成检测标准开启了全新的可能性。
1.人工智能系统详解
开发和部署人工智能系统的过程通常包含两个模块：人工智能训练和人工智能推理。
人工智能训练
人工智能训练是指机器学习模型从大量数据集中进行学习的过程，在这个过程中，模型会调整自身参数，以识别数据中的模式并做出准确预测。近年来，基于神经网络的深度学习模型在数字图像处理领域的目标检测和分类任务中展现出了极高的准确性。
以下罗列其中几种已在图像识别应用和实际场景中得到广泛使用的成熟人工智能模型类型：
·GoogLeNet
·Faster R-CNN(区域卷积神经网络)
·Detectron
·SSD(Single-Sho Detection)
·YOLO(You Only Look Once)
·精简版YOLO(You Only Look Once)
人工智能训练是一个迭代的工程过程(如图所示),这项工作由建模人员负责。建模人员不仅要精通人工智能建模技术，还要深入了解业务流程(在本白皮书的语境中，即自动光学检测)。人工智能模型的准确性在很大程度上依赖于来自实际生产的训练数据集的质量和多样性。
在训练之前，建模人员需要对训练数据集进行标注(例如，区分合格产品和缺陷产品)。在训练过程中，建模人员将标注好的训练数据集输入到人工智能模型中，这样模型就可以调整自身参数，以最小化预测结果与实际结果之间的误差。标注和训练都是既耗时又耗资源的工作。
可能需要经过多次“标注→训练→验证”的迭代过程，才能使模型达到令人满意的性能。和任何模型一样，在这个过程中避免对数据过度拟合非常重要。
计算机视觉人工智能训练涉及教导模型解读和理解视觉数据，这被视为一项工程活动，需要大量的图形处理单元(GPU)资源。它通常在与生产系统分离的人工智能训练系统或平台上运行。
本文来自知之小站
PDF完整报告已分享至知识星球，微信扫码加入立享4万+最新精选报告
（星球内含更多专属精选报告.其它事宜可联系zzxz_88@163.com）
