专栏名称: 新机器视觉

最前沿的机器视觉与计算机视觉技术

筛选分析超过1200篇论文！工业机器视觉中的生成式AI最新综述！

新机器视觉 · 公众号 · · 2024-09-12 11:59

正文

这篇文章通过遵循PRISMA指南进行的系统性文献综述，全面分析了生成性人工智能（GenAI）在工业机器视觉领域的应用现状和研究趋势。研究者们通过定义明确的排除标准和搜索策略，从多个数据库中筛选并分析了超过1200篇相关论文，以回答关于GenAI模型架构使用、成功应用的挑战和要求，以及在不同机器视觉任务中应用的三个研究问题。主要发现包括GANs和VAEs作为最常用的架构，以及数据多样性、计算需求和验证方法的挑战。此外，文章还讨论了GenAI在分类、目标检测、语义分割和姿态估计等任务中的应用，并提出了未来研究方向和工业应用的指导方针，为该领域的研究人员和从业者提供了宝贵的见解和信息。

下面一起来阅读一下这项工作~

1. 论文信息

论文题目：Generative AI in Industrial Machine Vision - A Review

作者：Hans Aoyang Zhou , Dominik Wolfschl¨ager等

作者机构：Laboratory for Machine Tools and Production Engineering, WZL等

论文链接：https://arxiv.org/pdf/2408.10775

2. 摘要

机器视觉通过使机器能够解释和作用于视觉数据，增强了工业应用中的自动化、质量控制和操作效率。虽然传统的计算机视觉算法和方法仍然被广泛使用，但机器学习已成为当前研究活动中的关键。特别是，生成性人工智能（AI）通过数据增强、提高图像分辨率和识别质量控制中的异常情况，展示了通过改善模式识别能力而具有的有前景的潜力。然而，由于数据多样性、计算需求和对稳健验证方法的必要性的挑战，生成性AI在机器视觉中的应用仍处于早期阶段。进行全面的文献综述是必要的，以了解当前工业机器视觉中生成性AI的最新状态，重点关注最近的进展、应用和研究趋势。因此，根据PRISMA指南进行了文献综述，分析了1200多篇关于工业机器视觉中生成性AI的论文。我们的发现揭示了当前研究中的各种模式，生成性AI的主要应用是数据增强，用于分类和目标检测等机器视觉任务。此外，我们收集了一系列应用挑战和数据需求，以促进生成性AI在工业机器视觉中的成功应用。本综述旨在为研究人员提供对当前研究中不同领域和应用的见解，突出显著进展，并为未来的工作识别机会。

3. 生成性人工智能

生成性人工智能的定义 ：

生成性AI涉及半监督和无监督的深度学习技术，目的是学习给定数据集的概率分布。
生成性模型通过参数化的神经网络来近似数据的概率分布，能够生成与训练数据分布相似的新样本。

生成性建模 ：

生成性建模可以分为显式密度估计和隐式密度估计两种方法。
显式密度估计模型试图提供概率密度函数的参数化，而隐式密度估计模型构建一个合成数据的随机过程。

主要的生成性模型架构 ：

变分自编码器（VAEs） ：通过编码器和解码器生成样本，通常用于生成模糊图像。推荐课程：移动机器人规划控制入门与实践：基于Navigation2
扩散模型 ：通过逐步添加高斯噪声并训练模型来逆转这一过程，生成图像。
正规化流 ：通过一系列可逆函数将复杂分布编码为简单分布，如正态分布。
自回归模型 ：通过概率链规则将联合概率分解为条件概率序列，适用于序列数据建模。
生成对抗网络（GANs） ：由生成器和判别器组成，通过对抗训练生成新的数据实例。

GANs的演变 ：

从最初的GAN到DCGAN、WGAN、ProGAN，再到StyleGAN，每一种新架构都在尝试解决前一代GANs的局限性，如模式崩溃、训练不稳定性和图像质量。
StyleGAN特别强调了其在高分辨率图像合成、图像质量和对生成特征的控制方面的优势。

应用案例 ：

介绍了一些在工业机器视觉中应用生成性AI的案例，如图像修复、图像到图像的转换和其他图像编辑问题。

挑战和限制 ：

讨论了在实际应用中遇到的挑战，包括数据多样性、计算资源需求和稳健性验证方法的必要性。

4. 研究方法论

搜索策略和数据库 ：

定义了排除标准，以确保只选择与研究问题相关的文献。
选择了Scopus、Web of Science和IEEE Xplore等数据库进行文献检索，这些数据库涵盖了从工程到计算机科学的广泛主题。

排除标准 ：

制定了一系列的排除标准，例如非英语文献、仅应用判别模型的研究、非图像模态的生成性AI应用等，以确保研究范围的聚焦。

搜索字符串的构建 ：

通过迭代探索性分析，选择了关键词组合，以最大化检索到相关出版物的可能性。
搜索字符串结合了生成性AI、机器学习、工业制造、图像和视觉等关键词。

研究选择过程 ：

采用了两步过程：首先是摘要筛选，以排除大量不相关的出版物；其次是全文审查，以进一步确认文献的相关性。
使用双重审查机制，即每篇摘要由两位审稿人审查，如有不同意见则由第三位审稿人做出最终决定。

数据提取 ：

从符合条件的出版物中提取相关信息，以回答研究问题。
定义了数据提取的类别，包括模型架构、数据集信息、GenAI模型的属性、数据要求、机器视觉任务和GenAI的应用目的。

PRISMA方法 ：

遵循了Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA)指南，这是一种用于呈现和生成系统综述的方法。

研究选择和数据提取的详细过程 ：

提供了详细的PRISMA流程图，展示了在研究选择过程中排除的出版物数量及其原因。
描述了如何从每篇出版物中提取关键信息，并将其组织成定量的集群，以便后续分析。

研究方法论的局限性 ：

讨论了研究方法论可能存在的偏差和局限性，例如搜索字符串的选择可能影响检索到的文献范围。

5. 文献分析

生成性人工智能架构在工业机器视觉中的应用 ：

分析了在工业机器视觉中使用的GenAI模型架构的分布，发现大多数出版物使用了基于GAN的架构，其次是VAE架构。
指出了对现有架构的定制情况，以及对特定工业机器视觉用例的调整。
讨论了StyleGAN等先进架构在工业应用中的潜力及其应用的挑战。

成功应用生成性人工智能模型的挑战和要求 ：

探讨了在工业机器视觉中成功应用GenAI模型所需的数据要求和模型属性。
分析了数据量、数据多样性、预处理和图像配对等数据相关要求。
讨论了模型性能特性，包括模型复杂性、训练稳定性和推理速度。

生成性人工智能在工业机器视觉任务中的应用 ：

分析了GenAI在不同工业机器视觉任务中的应用，如分类、目标检测、语义分割和姿态估计。
描述了GenAI在数据增强、图像增强/恢复和其他任务中的应用。
提供了GenAI在工业机器视觉任务中应用的实例和挑战。