人工智能
人工智能（AI），机器学习，深度学习：这是现代每个人挂在嘴边的流行语。 然而，这些“未来技术”对于HEUFT来说并不是“全新的”。这些“未来”差不多十年前就已经在这里开始了。 在一期双人访谈中，HEUFT研发经理Wolfgang Polster博士和技术销售总监Thomas Jahnen博士阐述了技术领导者在何处，如何以及为何使用人工智能，机器学习和深度学习在这种背景下有什么可能性和限制，以及单靠大数据是否真的足够充分。
人工智能和深度学习：它们是同一个概念吗？
Thomas Jahnen 博士: 人工智能和深度学习经常被一起讨论。 然而，事实上，深度学习只是指没有预知识的神经网络从大量数据中“学习”出来的子区域，其中一些数据模式是很明显应被视作错误的-这是一种特殊的机器学习方式。 同样，机器学习只是人工智能中的几种技术之一。
那么，短期内就不需要人类智慧了吗？
Wolfgang Polster 博士: "深度学习的原理是，一个通用的网络通过学习自动适应任务，然而，在HEUFT这通常被“人类智慧”所代替。 由对具体任务领域中的流程细节具有良好技术理解和知识的人员准备合理的评估框架。 多年来，我们一直在用它来实现低错误剔除率的高检测可靠性。第二代 HEUFT SPECTRUM II 检测设备，我们从一开始就依赖于智能图像过滤器，利用“人类智慧”来开发正确的过滤器结构。 产生了一个适应问题的评估过程。"
'人类智慧'? 对于图像过滤，人类应该做些什么？
Thomas Jahnen 博士: "HEUFT 于2012年推出了内部开发的 HEUFT reflexx² 图像处理系统。 于自1998年以来使用的第一代 HEUFT reflexx 技术的经验，通过使用非常快速的硬件协同处理器来实现对物体的特征检测。此后在多维度分类处理中开始进行特定目标评估技术。 然而，该评估的结构基于人员的经验和他们获得的专业知识：人们知道生产过程中会出现的特定特征。 因此，它能根据一些具有详尽的合格产品的特征快速分类“合格”的产品。 然后，机器会在多维特征空间中学习这些对象。"
所以机器学习得到了人类的支持。 哪些产品人们能够简单地进行更好的评估？人们负责哪些部分，机器又负责哪些部分？
Wolfgang Polster 博士: "图像特征提取的主要工作由硬件协处理器完成。它从图像中生成一个包含多达46个独立特征的可疑区域的对象列表。为此，使用了预定义过滤层，这些过滤层一个接着一个地运行。由于这种预设的结构，因此无需数千个图像进行教学。一般的神经网络从婴儿的知识水平开始，可以应用于任何任务。我们从一个具有空瓶检测经验的大学生的知识水平开始。在这两种情况下，会产生一个高度复杂的用于空瓶检测的过滤器结构，其形式为网格，但不适合检测瓶子的个别特性。在下一步步骤中，将从对象列表中创建上文所述多维度特征空间。 这是机器学习和人工智能的基础。 这样，瓶子的特殊特征可以教授给机器。"
Thomas Jahnen 博士: "带有特殊结构的容器，如压花和对齐槽口，可以以任何方向穿过空瓶检测设备。虽然，这些物体在检测图像中是可见的，但机器基于特征分类对其进行唯一识别，然后在机器中接受操作员的评估。这样可以随时对图像中的所有对象进行可追溯支持。可以立即重新评估这些对象。特别是在推出新产品时，它可以在短时间内随时打开或者关闭评估细节，这非常有用。当然，也有一些特征是由不同的产品外观形成的。例如，洗瓶后空瓶上的水滴会在不同且不可预测的地方出现。在这里，HEUFT多年来的技术成功排除了水滴对检测结果的影响，保证了检测性能，而没有通过分类描述的方法限制检测性能。"
那么，对这种无碍水滴的正确评估和分类是基于人类的经验吗？
Wolfgang Polster 博士: "确实如此。考虑到存在的水滴等干扰对象，已经预定义了过滤器。然而，专家们事先对他们的特性进行了分析。这实现了水滴和错误对象在特征空间中的良好区分。 "
Thomas Jahnen 博士: "例如，智能过滤器支持区分无冷凝和特殊结构的磨损。特殊的技术，如HEUFT的专利彩虹照明增加了额外的参数。这使得提高自动化判断性能成为可能，例如，透明水滴可以清楚地与透明塑料物体区分开来，诸如具有光反射特性的瓶子中药片泡罩的碎片。这是因为人类的经验告诉我们，彩虹在水滴中以相反的方式反射，而在透明的泡罩片中，颜色的顺序保持不变。因此，寻找“倒置的彩虹”成了区分无碍水滴和重点杂质的基础。所以，这样做的先决条件还是‘人类智慧’，即人类知识和人类经验。"
这对检测可靠性有何影响？
Thomas Jahnen 博士: "当用自动检测设备质检时，首先要对产品进行精确检测，特别是在关键质量控制节点的情况下。检验结果必须是可复制的，并可由人工验证。只有这样才能验证检测设备是有效的。检验结果的检测精度在任何时候都可以预期显著高于 99℅ 此外，必须能快速获得清晰的检测结果；通常，每个产品只有50毫秒可用于确定评估。计算过程必须相应的快速准确。这就是人类对显著数据模式的预评估有帮助的地方。通过深入学习，一个显著的特征可以被当做错误来“学习”。然而，它往往无法更精确地定位、量化和评估。"
这就是为只剔除错误容器而到来的新技术吗？
Wolfgang Polster 博士: " 正确。人工智能需要预先分类合格的和错误的物体的列举。因为不是所有形式的错误都能在这里被列举，所以当要求大于99℅ 的检测率的时候，会导致未列举的错误对象的通过。这是一台质量检测设备最糟糕的情况。以检测率为代价获得较低的误剔除率是适得其反的。因此，一开始就制定了一个非常重要的定义：整个特征空间被定义为错误瓶子。原则上，不设任何错误参数。更确切地说，只有合格的瓶子被设定参数，因此只有小范围的多维气泡空间被定义为合格的。因此，未知对象总是被归类为错误并被剔除。
那么，对于检测技术来说，深度学习是不需要的吗？
Thomas Jahnen 博士: " 当然，除了检验评估外，神经网络技术还可以普遍提高检测性能。例如，自2018年以来，HEUFT就一直在使用这种方法来过滤电子噪声。这进一步提高了图像质量，从而提高了图像评价的性能。接下来会有更多的应用。 大量使用机器学习的成功经验证明，多年前开始的研发过程必须进一步延续并拓展。"
Wolfgang Polster 博士: " 深度学习的应用在涉及到人类无法用一般有效的方式来描述的结构的时候起到重要作用。 在最新版满瓶检测设备 HEUFT eXaminer II XOS 中，这种类型的AI已经在实际应用中。 例如，X射线图像在正常处理之前要去噪并去除伪影。为此，我们对该网络进行了数千张合格图片的一次培训和优化。但是，随后将根据我们已证实的结构进行分类。"
