KNIME在生產(chǎn)質(zhì)量管理中的圖像挖掘

祝海威

【摘 要】KNIME是一個(gè)用戶友好、有豐富功能的開源數(shù)據(jù)集成、數(shù)據(jù)處理、數(shù)據(jù)分析和數(shù)據(jù)勘探平臺(tái)。當(dāng)前學(xué)術(shù)文獻(xiàn)對(duì)KNIME軟件的研究，特別是在圖像挖掘領(lǐng)域較少。文章在此背景下通過案例研究，調(diào)查KNIME在圖像挖掘領(lǐng)域的業(yè)務(wù)潛力，為在智能工廠中使用圖像挖掘應(yīng)用程序提供重要參考依據(jù)。

【關(guān)鍵詞】KNIME;圖像挖掘;邊緣計(jì)算

【中圖分類號(hào)】TP39 【文獻(xiàn)標(biāo)識(shí)碼】A 【文章編號(hào)】1674-0688（2021）03-0192-04

1 KNIME概況

生產(chǎn)質(zhì)量的圖像挖掘是從海量的圖像數(shù)據(jù)中挖掘出有效的模型、關(guān)聯(lián)、規(guī)則、變化、不規(guī)則規(guī)律，用以改善生產(chǎn)質(zhì)量和管理過程。智能工廠對(duì)圖像數(shù)據(jù)的處理能力要求很高，因此圖像挖掘在智能工廠生產(chǎn)質(zhì)量管理的運(yùn)用將成為工廠升級(jí)發(fā)展的新方向。智能工廠最常見的內(nèi)部目標(biāo)就是提高產(chǎn)品質(zhì)量和資產(chǎn)利用率。以風(fēng)力渦輪機(jī)為例，利用圖像識(shí)別與機(jī)器學(xué)習(xí)技術(shù)，通過運(yùn)算算法進(jìn)行分析，可以讓質(zhì)量控制過程實(shí)現(xiàn)自動(dòng)化，從而快速識(shí)別生產(chǎn)異常。文章選取KNIME數(shù)據(jù)挖掘軟件，通過案例驗(yàn)證軟件在圖像挖掘中的適用范圍。內(nèi)容考慮基于以下問題：①KNIME在生產(chǎn)質(zhì)量管理的圖像挖掘領(lǐng)域有哪些潛力？②哪種算法適用于生產(chǎn)質(zhì)量管理的KNIME圖像挖掘？

2 基本概念

考慮KNIME軟件在生產(chǎn)質(zhì)量管理的圖像挖掘潛力問題，需要將圖像挖掘結(jié)果對(duì)智能工廠的影響作為參考條件，有效提高智能工廠的效率，可以理解為KNIME軟件在圖像挖掘上的潛力。因此，需要架構(gòu)一個(gè)圖像挖掘應(yīng)用流程對(duì)問題進(jìn)行分析。本文對(duì)概念進(jìn)行分析，并依據(jù)概念構(gòu)成實(shí)驗(yàn)?zāi)Ｐ汀?/p>

2.1 圖像挖掘簡介

圖像數(shù)據(jù)挖掘是挖掘大規(guī)模圖像數(shù)據(jù)中隱含的知識(shí)、圖像內(nèi)或圖像間的各種關(guān)系，以及其他隱藏在圖像數(shù)據(jù)中的模式技術(shù)[1];它是計(jì)算機(jī)視覺、圖像處理、數(shù)據(jù)挖掘、模式識(shí)別、人工智能等多個(gè)學(xué)科交叉的研究領(lǐng)域。人們對(duì)圖像挖掘研究主要是挖掘系統(tǒng)的建立和挖掘算法的使用，通過使用不同的算法對(duì)數(shù)據(jù)進(jìn)行分析[2]。常用的算法分類如圖1所示。

如圖2所示，圖像數(shù)據(jù)挖掘在過程模型中分為預(yù)處理、轉(zhuǎn)換、挖掘、解釋和評(píng)估等階段。先對(duì)數(shù)據(jù)進(jìn)行預(yù)處理提高圖像質(zhì)量，然后轉(zhuǎn)換數(shù)據(jù)，方便下一步通過選定的分析方法挖掘圖像數(shù)據(jù)，最后應(yīng)用適當(dāng)?shù)哪Ｊ阶R(shí)別并解釋結(jié)果，生成知識(shí)。

2.2 算法

隨著科技的發(fā)展，圖像挖掘技術(shù)已成熟地應(yīng)用于車輛跟蹤與檢測、違章檢測、事故檢測等?？ㄋ闺べM(fèi)爾登設(shè)計(jì)的交通挖掘系統(tǒng)可由圖像分析系統(tǒng)和知識(shí)發(fā)現(xiàn)系統(tǒng)構(gòu)成[3]。圖像分析系統(tǒng)利用K-均值聚類算出每一幀圖像的質(zhì)心，連接連續(xù)圖像的相關(guān)質(zhì)心形成車輛的運(yùn)動(dòng)軌跡。知識(shí)發(fā)現(xiàn)系統(tǒng)利用分類器對(duì)圖像分析系統(tǒng)產(chǎn)生的運(yùn)行軌跡進(jìn)行分類并分析[4]。圖像挖掘技術(shù)也運(yùn)用到農(nóng)業(yè)生產(chǎn)領(lǐng)域，使用人工神經(jīng)方法對(duì)區(qū)域降水進(jìn)行預(yù)測。圖像挖掘技術(shù)在Web圖像和多傳感器圖像等領(lǐng)域也有應(yīng)用實(shí)例。MEI Tao等提出通用的視頻結(jié)構(gòu)的無監(jiān)督挖掘方法，以解決利用全拼圖提取魯棒的視覺特征[5]。參考以上應(yīng)用場景：將圖像挖掘運(yùn)用到工業(yè)生產(chǎn)質(zhì)量管理場景，此時(shí)圖像挖掘的主要目標(biāo)是有效提高工廠生產(chǎn)效率。通過對(duì)大數(shù)據(jù)進(jìn)行自動(dòng)化分析，做出歸納性的推理，從中挖掘出潛在的模式，幫助工廠調(diào)整生產(chǎn)過程，并做出正確決策[6]。目前，圖像挖掘常用算法有分類法、回歸分析法、聚類法、關(guān)聯(lián)規(guī)則法、神經(jīng)網(wǎng)絡(luò)法、Web數(shù)據(jù)挖掘法等。本次實(shí)驗(yàn)選用4種常見算法（見表1）對(duì)數(shù)據(jù)進(jìn)行挖掘。

2.3 邊緣計(jì)算

圖像挖掘系統(tǒng)在智能工廠條件下，可以考慮在KNIME軟件邊緣計(jì)算中的應(yīng)用來發(fā)掘KNIME在生產(chǎn)質(zhì)量管理圖像挖掘領(lǐng)域的潛力。邊緣計(jì)算是一種分布式、開放的IT體系結(jié)構(gòu)，具有分散的處理能力，可實(shí)現(xiàn)移動(dòng)計(jì)算和物聯(lián)網(wǎng)（IoT）技術(shù)。在邊緣計(jì)算中，數(shù)據(jù)由設(shè)備本身或本地計(jì)算機(jī)或服務(wù)器處理，而不是傳輸?shù)綌?shù)據(jù)中心。根據(jù)Shallu Sarvari（2018）年的論述，邊緣檢測能滿足實(shí)時(shí)交付關(guān)鍵決策;減少在云服務(wù)中的存在，從而節(jié)省成本。邊緣計(jì)算更適合實(shí)時(shí)數(shù)據(jù)分析和智能處理，非常適合具有特殊業(yè)務(wù)要求的應(yīng)用程序，例如低延遲、高帶寬、高可靠性、大規(guī)模連接、異構(gòu)聚合和本地隱私保護(hù)[7]。KNIME在智能工廠中運(yùn)行圖像挖掘應(yīng)用程序如圖3所示。

3 實(shí)驗(yàn)的設(shè)計(jì)

實(shí)驗(yàn)的實(shí)時(shí)性以考慮信息傳遞給員工的延時(shí)為準(zhǔn)，并基于KNIME在生產(chǎn)質(zhì)量管理圖像挖掘領(lǐng)域的潛力和最佳算法的分析。運(yùn)用圖像挖掘技術(shù)和邊緣計(jì)算概念，以智能工廠為實(shí)驗(yàn)背景，通過使用表1的算法;進(jìn)一步分析KNIME軟件在生產(chǎn)質(zhì)量管理圖像挖掘領(lǐng)域的潛力，并選出KNIME在此生產(chǎn)環(huán)境中的最佳算法。實(shí)驗(yàn)?zāi)Ｐ徒?jīng)過生產(chǎn)映像訓(xùn)練，以創(chuàng)建低故障率和低錯(cuò)誤率為目的。

4 圖像挖掘應(yīng)用

如圖4所示，選定4個(gè)圖像生產(chǎn)過程，然后使用開發(fā)的圖像挖掘模型對(duì)3D打印進(jìn)行錯(cuò)誤檢測實(shí)驗(yàn)。實(shí)驗(yàn)以創(chuàng)建故障率和錯(cuò)誤率低狀態(tài)為目的。本節(jié)將會(huì)根據(jù)實(shí)驗(yàn)流程，對(duì)圖像挖掘應(yīng)用程序的概念與結(jié)構(gòu)進(jìn)行簡要描寫。

此處使用KNIME軟件分析實(shí)驗(yàn)過程的所有步驟，并使其可配置使用圖形用戶界面。在圖像挖掘領(lǐng)域，通過KNIME軟件的Image Processing擴(kuò)展提供圖像挖掘的操作運(yùn)算符，并用于實(shí)驗(yàn)。在實(shí)驗(yàn)之前我們需要對(duì)收集到的圖像進(jìn)行分類，建立一個(gè)訓(xùn)練模型和測試模型。在機(jī)械學(xué)習(xí)中通過已知的數(shù)據(jù)和目標(biāo)調(diào)節(jié)算法參數(shù)，最后得到的映射就是針對(duì)這個(gè)問題被訓(xùn)練出來的模型。如圖5所示，首先對(duì)收集的圖像進(jìn)行提取;然后執(zhí)行圖中的步驟，借助運(yùn)算符將圖像數(shù)據(jù)轉(zhuǎn)換并提取相應(yīng)的特征;接著使用算法對(duì)每個(gè)圖像進(jìn)行運(yùn)算;最后根據(jù)生成的模型，使用測試過程實(shí)時(shí)對(duì)每個(gè)捕獲的圖像進(jìn)行分類。

4.1 模型訓(xùn)練

實(shí)驗(yàn)?zāi)Ｐ瓦\(yùn)算符如下。

（1）圖像特征。計(jì)算田村特征：粒度、對(duì)比度、方向標(biāo)準(zhǔn)偏差的斜率、最大方向、偏斜度。

（2）規(guī)范化。此節(jié)點(diǎn)規(guī)范化所有（數(shù)字）列的值。所有值的最小—最大規(guī)范化線變換，以便每個(gè)列中的最小值和最大值都指定。

（3）規(guī)則引擎。此節(jié)點(diǎn)創(chuàng)建自定義規(guī)則列表，并嘗試將其與輸入表中的每一行匹配。

（4）評(píng)分。根據(jù)兩列的屬性值對(duì)比較兩列，并顯示混合矩陣，即與哪個(gè)屬性及其分類匹配的行數(shù)。

實(shí)驗(yàn)運(yùn)算符設(shè)置了基本設(shè)置，但是考慮在將來的實(shí)驗(yàn)環(huán)境中運(yùn)用，需要對(duì)運(yùn)算符的準(zhǔn)確性及其對(duì)模型預(yù)測準(zhǔn)確性的影響進(jìn)行評(píng)估。圖像數(shù)據(jù)特征提取后，需要驗(yàn)證哪些算法精度最高，確定最適合的實(shí)驗(yàn)?zāi)Ｐ?。除了算法的?zhǔn)確性外，還考慮算法執(zhí)行的延遲，因?yàn)殚_發(fā)的實(shí)驗(yàn)?zāi)Ｐ托枰?yàn)證KNIME的挖掘潛力。

4.2 模型測試

模型經(jīng)過配置和訓(xùn)練后，繼續(xù)從生產(chǎn)過程中捕獲新圖像并測試和分類。隨后使用運(yùn)算符Scorer產(chǎn)生分析預(yù)測數(shù)據(jù)。實(shí)驗(yàn)以創(chuàng)建無故障和無錯(cuò)誤狀態(tài)為目的。如果預(yù)測錯(cuò)誤，則將停止生產(chǎn)，信息會(huì)通過網(wǎng)絡(luò)架構(gòu)傳輸給一線工作人員進(jìn)行決策。

4.3 算法驗(yàn)證

實(shí)驗(yàn)對(duì)積極的真實(shí)值（無故障）進(jìn)行運(yùn)算，以精度、F分?jǐn)?shù)、準(zhǔn)確性作為算法的驗(yàn)證度量。以算法執(zhí)行的延遲來驗(yàn)證邊緣計(jì)算條件、KNIME軟件的挖掘潛力。270張?jiān)紙D像數(shù)據(jù)來源于trinks的實(shí)驗(yàn)數(shù)據(jù)[7];54張圖片作為訓(xùn)練集，216張作為測試集。表2中顯示，NN算法擁有最好的精度、F分?jǐn)?shù)、準(zhǔn)確性;預(yù)測率都達(dá)到100%;但工作延時(shí)最高，達(dá)到737.43 ms。邏輯回歸算法的驗(yàn)證度量僅次于神經(jīng)網(wǎng)絡(luò)算法，但是延時(shí)最優(yōu)。

4.4 對(duì)延遲的考慮

邊緣計(jì)算通常會(huì)涉及實(shí)時(shí)分析。通過對(duì)實(shí)時(shí)分析的延時(shí)進(jìn)行討論并運(yùn)算，trinks認(rèn)為應(yīng)用程序的數(shù)據(jù)延遲、分析延遲和決策延遲必須盡可能低 [7]。高分辨率圖像能優(yōu)化已開發(fā)的預(yù)測，但由于圖像數(shù)據(jù)較大，反過來又對(duì)延遲產(chǎn)生負(fù)面影響。本次實(shí)驗(yàn)只考慮KNIME軟件在邊緣計(jì)算條件下運(yùn)用的可行性;算法驗(yàn)證的延遲小于1 s就可以認(rèn)為KNIME軟件能及時(shí)反饋問題，滿足實(shí)時(shí)生產(chǎn)需要。因?yàn)閱栴}最終是由人解決，生產(chǎn)延遲最終也取決于解決問題的速度。

5 結(jié)論

回顧本文的兩個(gè)問題。

（1）KNIME在生產(chǎn)質(zhì)量管理的圖像挖掘領(lǐng)域有哪些潛力？

在算法驗(yàn)證中，論述了可以通過考慮算法執(zhí)行的延遲來驗(yàn)證KNIME軟件的挖掘潛力。本次實(shí)驗(yàn)的延遲數(shù)據(jù)表明，各個(gè)算法的延遲均小于1 s。這表明結(jié)果能很好地將信息傳遞給一線工人，使之迅速對(duì)問題做出反饋。因此，KNIME軟件能基本滿足邊緣計(jì)算需求。但是本次實(shí)驗(yàn)只使用了270張圖像數(shù)據(jù)運(yùn)行，因此實(shí)驗(yàn)不能展現(xiàn)KNIME軟件在智能工廠條件下對(duì)海量圖像數(shù)據(jù)處理的能力是否能滿足實(shí)時(shí)生產(chǎn)。

（2）哪種算法適用于生產(chǎn)質(zhì)量管理的KNIME圖像挖掘？

從表2可以看出，神經(jīng)網(wǎng)絡(luò)算法是選取實(shí)驗(yàn)算法里最優(yōu)的。邏輯回歸算法是次優(yōu)的選擇。但是，實(shí)驗(yàn)的訓(xùn)練和測試數(shù)據(jù)較少，僅能證明在此次實(shí)驗(yàn)中表現(xiàn)最佳，并不能完全證明以上兩種算法適用于智能工廠的圖像挖掘。

參 考 文 獻(xiàn)

[1]曲文龍，李衛(wèi)東，楊炳儒.圖像挖掘技術(shù)研究[J].計(jì)算機(jī)工程與應(yīng)用，2004，40（5）：1-3.

[2]A Emam.Intelligent drowsy eye detection using image mining[J].Information Systems Frontiers，2009（1）：947-960.

[3]卡斯滕·費(fèi)爾登.商業(yè)分析講座補(bǔ)充暑期學(xué)期[Z].2019：44.

[4]Zaboli Sh.Application of Image Mining for Knowledage Discovery of Analyzed Traffic Image[C]//IEEE International Conference on Industrial Technology，2006：1066-1070.

[5]MEI Tao，ZHOU He-qin，F(xiàn)ENG Huan-qing，et al.Unsupervised Mining of Sports Video Structure with Mosaic[J].Journal of China University of Science and Technology，2005，35（2）：57-61.

[6]塞巴斯蒂安·特林克斯，卡斯滕·費(fèi)爾登.智能工廠內(nèi)實(shí)時(shí)故障檢測的圖像挖掘[C]//第21屆商業(yè)信息學(xué)會(huì)議（CBI），2019：584-593.

[7]Shallu Sarvari. Edge Computing： Der Beginn der autonomen Dinge[EB/OL]. [2018-06-01].https：//www.nagarro.com/de/blog/author/shallu-sarvari.