這次給大家介紹的是我在最近一期Live中介紹過的視覺缺陷檢測，主要是針對基礎設施（例如管道、橋樑等）的缺陷（例如裂縫、漏水等）的檢測，同時，論文中提到的系統框架其實也適合用在各種的缺陷檢測問題上。

在製造業中，我們常常看到各種工業缺陷檢測的需求，本文講解的是2017年較新的Civil Infrastructure Defect Detection and Classification。

模型介紹

本模型主要有幾個特點，

1. 結合了深度學習，使用了深度殘差神經網路ResNet-based分類器。

2. 資料集分成4個分類，分別是裂縫、沉積、漏水和正常。

3. 使用pixel-wise作為分類輸入判斷。

4. 因為缺陷資料一般都不多，系統中增加了Active Learning作為資料增量訓練。

5. 使用最簡單的交叉熵作為損失函式。

使用資料

實驗中使用的資料為603張4096x4800的圖片，使用滑窗的方法，轉換為289440張520x520張圖片，資料中60%作為訓練資料，20%驗證集和20%測試集，資料中22.6%的資料作為正樣本（即有問題的圖片），正樣本資料的定義為以圖片中心480x480的畫素中，至少一個畫素是判斷為有缺陷的。

模型結果

該模型最終的測試集結果為準確率87.5%。

人工智慧的誕生就是為了解決生活、醫療、工業、教育等多個領域問題，所以在這一塊人工智慧對日常生活是有非常大的幫助

目前肯定是不行的，人工智慧機器人可以代替一部分人工重複性的工作，比如工業機器人，醫療機器人，想要取代所有日常工作肯定是不行的。

很遺憾，目前還不行。人工智慧如果要應用於日常工作而不是某種特定的工作，就意味著可能需要建立包括常識在內的世界模型。但是這種通用的世界模型是最難建立的，目前的人工智慧在這個方面屬於啟發式的拍腦袋時代。不同的專家有不同的建模方式，在實驗室裡表現基本良好，但是真實環境中效率低下，無法解決日常的簡單問題，常被稱為"人工智障"。