詹姆斯·马丁,壳牌国际公司
Amjad Chaudry,Shell International
机器学习和深度学习可用于自动化一系列任务。壳牌和先进的分析卓越中心(Aacoe)正在使用这些技术来加速过程,同时提高其可靠性。在地理学中,可以使用标记卫星图像的丰富训练数据集来改进地形分类。大(全景)植物图像中的自动标签检测也会导致更有效的维护。
James和Amjad将演示如何使用MATLAB®让这些技巧的使用变得简单。通过最小的设置,MATLAB并行服务器™允许团队在云中的多个远程gpu上训练网络。MATLAB Production Server™可以让团队创建一个瘦网络客户端,操作人员可以在现场使用,只需要最少的物理硬件,如智能手机。
壳牌利用所有这些技术和工具,使其工程师能够轻松、无痛地使用最新发现。
记录:2018年10月3日
在过去的四年左右的壳中,高级分析在我们做事的方式上发挥着越来越重要的作用。然而,今天,我想特别谈论深度学习,以及在Matlab中的方式,我们如何利用一些深入学习工具来改善我们的创新管道。有趣的是,Rick的主题演讲提到提到转移学习和语义细分。这正是一些例子,我今天会与你交谈。
当然,作为壳牌,我们总是必须提出警示。所以我会把它留下五秒钟,左右,那些想要阅读的人。好的。
所以今天,我将把我的演讲安排如下。我将向您简要介绍壳牌公司以及我们提供的一系列服务和产品。我还将讨论我们的创新和交付渠道,以及我们如何尝试将创新理念,特别是在高级分析方面,通过IT部门正确维护的最终产品引入创新。然后MATLAB就可以融入其中了。s manbetx 845
然后我将讨论两个用例。正如我提到的,第一个是关于工业图像中的标签识别,然后是高光谱卫星图像中的地形识别。听起来很酷,所以我把它放进去了。最后是下一步,我们要如何从我们已经取得的成果中走出来。
好的。这是我们最新的商业总结幻灯片。我们是一家业务范围很广的公司。我们的工作范围很广,从我刚加入公司时开始,公司是在上游勘探,试图确定碳氢化合物矿床。然后通过发展我们尝试和钻井中提取,然后通过更多的下游活动,我们试着流程和改进产品,通过运输和交易,然后我们提供这些产品的各种终端用户,其中可能包括零售前院,航空、润滑剂。s manbetx 845
如果我们重新调整这些信息的用途,我们就可以突出分析在组织内部带来的价值。而且--哦,就是这样--我真的想让大家注意的是各种颜色的圆圈。因此,这些都是分析在我们组织中发挥主导作用的活跃领域。我们最终可能会有相当大的变化,对当前的工作流程和工作方式产生相当大的影响。蓝色的两个圆圈是我将进一步探索的地方。
这是我们的黄色创新漏斗。我们有一系列的决策门贯穿顶部,从D0到D4。基本上,我们试着从左到右接受想法和概念。
在底部你可以看到两个重叠的三角形,我们有一个重叠的地方——我们从一个数字化团队,也就是我现在坐的地方,到IT部门。所以
我们尝试和做的是在范围和创新阶段,我们参与其中。我们生产POC概念,最低可行的产品,尝试证明价值。s manbetx 845然后逐渐被带入,我们尝试和扫描完全部署解决方案以及维护策略,因此我们可以充分为业务提供价值。万博 尤文图斯
另一件事我要注意的是所有的点。所以它 - 想到它几乎就像左侧组织中的思想数量的正常指示。而且我想强调的是,每个决策门都有一个大的流失,所以它是关于确保你在组织内完全的范围。然后,当您到达最后,我们将您的资源集中在最高价值的解决方案上。万博 尤文图斯
Matlab在哪里增加价值?这是非常快的原型。我们与Mathworks Consulting有一项积极的协议,我们利用了提高生产力。
我们希望在MATLAB中维护大量的示例和文档。由于MathWorks在整合一些深度学习技术方面的巨大关注,比如说在去年,我们能够利用该领域的一些最新发展,同时也能够访问这些有利的模块积压。我们非常喜欢web应用程序的交付,所以我们绕过了很多关于安装MATLAB版本的问题,让我们的一些软件运行起来。
所以在这里,我们有两个我们生产的Web应用程序的示例。就在右上角是沥青测试的Web应用程序。在左下方,您还可以看到稍后会看到我讨论的潜行预览,这是一个作为Web应用程序的地形分类。
我们也尝试了一些MDCS,也就是MATLAB分布式计算服务器。这让我们能够在云上利用非常强大的gpu。我们主要用它来训练我们的一些深度学习模型。
因此,就今年而言,我们在Shell和MATLAB之间取得了不少里程碑式的进展。现在我们终于看到了--因为Shell有时有一些管理功能,所以很难为业务的不同部分获得许可证。现在我们有了一个企业范围的交易。因此,这意味着,无论来自何处,加入组织的任何聪明人,从理论上讲,最终都可以通过MATLAB快速获得生产力。
我们有第二张警司执照。正如我所说,MDCS,我认为,将会成为一个越来越重要的特征。我们正在考虑将其与我们的战略更加一致。
正如我所说,Mathworks Consulting一直非常富有成效的时间。然后我们现在也希望利用我们在班加罗尔的一些资源来尝试,并允许我们进入时钟周围的项目。
好的。所以这是第一个例子。这是标签识别。所以你在背景中看到的是一块工业设备。我认为这是一个泵。
但在下面,我想让你们注意的是,那个标签,那个标签。标签上有一个SAP代码。我们有这些图片,它们都有地理标记,都在工业环境中。我们要做的是提取那个标签,对它进行OCR,然后把它连接到我们的SAP系统,因为我们可以从SAP系统中提取大量的元数据。
所以我们采取的最初方法是使用R-CNN,一种区域卷积神经网络。因此,我们采取的形象。然后,由于图像非常大,我们需要首先从图像中提取一系列区域建议,然后将其输入CNN。
在我们的例子中,我们用。我想Rick讲过AlexNet的例子。所以我们改用vgd16网络,然后为了我们的目的,我们在最后三层进行了迁移学习。一开始我们有两个类问题。我们只知道有没有标签。
这是一些图像的样子。想想谷歌街景吧。所以在左边你可以看到它几乎像是用鱼眼镜头拍摄的。所以首先我们需要对图像进行失真校正,这是在MATLAB中完成的。然后想想,它的输出几乎就像你站在一个盒子里,然后你有盒子的六个面向外看。
我们把顶部和底部的凸出部分去掉,只保留前面的水平凸出部分。然后我们将其输入到算法的区域提取部分。在本例中,我们稍微修改了它,并使用了Pdollar EdgeBox方法。但重要的是你可以看到这些区域很好地提取了可能有标签的区域。
好的。然后再传送给CNN。所以现在讨论的只是训练。
所以,尽管在训练中你不需要太多的训练数据,但是,我们仍然有一些问题,试图有足够的训练数据集,让它以稳定的方式运行。所以我们把标签的定义扩展成了符号。所以我们也加入了符号然后做了数据扩充进一步增加数据集以提供足够的数据给你一个稳定的结果。
在右边,你可以看到训练后的激活。因此,这很好地表明了网络在分类之前最初关注的位置。所以这张看起来很奇怪的图片告诉你,它实际上是聚焦在紫色斑块上。这就是算法的输出。
你可以看到室内场景和室外场景,不同的照明条件。你得到的是一个边界框,围绕着它认为的符号,不好意思,符号和标签与相关概率。
如果你有敏锐的眼光,你可能会注意到里面有很多假阳性。我们想要做的是拿出所有可能的选项,然后我们在此之上依靠OCR来过滤掉很多假阳性。
好的。所以我刚刚显示你的转移学习用于识别工业图像中的标签,然后将OCR运行在顶部以提取SAP代码。在运行时,只是为了给你一个想法,它是每张图片的三到四分钟。现在在这个特殊用例中,我们可以用它来管理,没关系,但显然如果你想要实时反馈,这不会发生。
但是,如果您想下降实时路线,有技术可以显着提高此功能的速度。因此,例如,快速的R-CNN,这应该给您提高速度大约100倍。
我们也在寻找更多的GPU,更大的GPU在MDCS上,允许我们增加图像的分辨率大小。接下来,我想,很酷的事情是一旦我们将这个连接到SAP系统,我们如何将这些信息带回来,比如说,让那些带着增强现实眼镜在网站上走动的人?我们如何将这些信息共同形象化?这可能是一个非常令人兴奋的领域,我们的一些客户感兴趣。
因此,我们使用的数据来自欧洲工业网站,现在我们从特别是亚洲业务部门获得了很多兴趣。所以我们将继续使用这些活动。
好的。因此,下一个例子是超频卫星数据中的地形识别。因此,只需迅速描述为什么这个问题值得解决以及为什么我们打扰。
因此,在上游,在勘探中,地震数据是我们拥有的最重要的技术之一,以便在地下寻找地下。例如,在底部这个未指明的中东地区,你可以看到它的广阔,对吗?而且获取数据的成本非常高,因此将能量注入地面并接收数据的成本非常高。因此,根据调查,我们每年谈论数千万。这是非常高的成本。
地形类型,平滑与粗糙,例如,会影响高达50%的成本。因此,在我们的语言中,他们有一个非常理想的情况来标记数据,但在他们的语言中,这是一个非常低效的系统。所以他们花钱请了一个高度专业,高薪的人来查看卫星图像,然后在崎岖的地形周围手工绘制多边形,他们认为崎岖的地形。
然后他们必须用现场访问来证实。所以有人必须飞到这块特定地区的沙漠,然后在一辆卡车上开车。他们需要将旗帜放下以确认这是粗糙的地形。这是在调查之前。
在我们的例子中,因为我们现在有很多训练数据,我们认为,对。也许我们可以用一些更计算机密集的东西来代替整个工作流程。所以我们决定尝试这种语义分割方法。
所以这是我们的数据。我们有三种类型的图像,航拍,雷达和深度表面模型,DSM图像。由于2017年的局限性,我们需要做三个频道,但在这种情况下就可以了。
这在2018年的A和B中得到了改进。但我们决定将其放入三个通道中,对图像进行着色,我们的做法如下。我们对航空摄影进行灰阶处理,将其置于红色通道,雷达置于绿色,等等。然后你会看到这些彩色图像,你可以在右边看到。这是用于算法的。
所以segnet,它是什么?它通常用于自动驾驶汽车。所以想象一下左上角的道路场景,网络所做的是,你通过它喂它,然后它将将每个像素映射到一个类。
所以在顶部的例子中,你有,说,路面类,道路类,树级等等。所以在我们的情况下,我们想把它重新重新用它并用它来用于崎岖的地形或平滑的地形。这就是我们所做的。
目前我们实际上有3万个样本数据,但是我们,只是为了这个工作,用了1000个样本。所以还有很大的改进空间。与上面的图相比,我们也有一个稍微简单的网络结构。
所以我们决定使用三个编码器和解码器部分。对于1000个测试例子的训练,在4g的GPU上,这是相当小的,大约8个小时的训练时间。
所以这些是结果。我已经删除了 - 从颜色消失并将其分解回原始图像。所以在顶部,你可以看到,在左边,航空摄影,然后是雷达和DSM。然后在左侧的底部,您可以看到我们的案例中的人类或地面真相,然后预测的算法。
在这两种情况下,你可以看到。对于这个选择一个我选择的数据的快照,性能很好。目前的结果是定性的,而不是定量的,尽管我们将要研究产生混淆矩阵和所有这些东西。但是表现非常好。实际上,我们向终端客户展示了这一点,他们已经认为性能优于现有的工作流程。
我们允许客户通过网络应用程序与数据进行交互,这就是你现在看到的。有了左边的图片,客户可以很容易地进入URL,上传各种图片和他们想看的感兴趣的区域。然后在推断步骤之后的右边,你可以浏览不同的输入和输出图像并覆盖基本事实,这样他们就可以得到结果的意义,以及他们满意和不满意的地方。
好的。因此,就后续步骤而言,这非常像初始工作。所以要完成很多未来的工作,假设我们可以在内部获得良好的资金。所以我们要做的一些步骤是参数调整。
我们将开始查看从我们目前的培训数据的数量增加,这是1000。我们也将添加更多课程。所以我们有一个设施类,一个城市课程,我们也希望添加到数据中。你可以看到那里右上角的设施类的一个例子。
该应用程序也是很快 - 它只花了两天时间来制作那个网络应用程序。因此,在那里咨询Mathworks咨询的实际力量是合作的真正力量。我们希望将进一步的功能添加到该Web应用程序中,并究竟提供客户想要的内容。
对于这个特殊的例子,由于表现已经和人们非常兴奋,有一点担心如何影响现有的工作流程。这包括人们在做这项工作的人。所以这段时间在我们围绕我们试图拥有双重集成策略,在那里我们都提供了技术,同时也可以提高工作人员,以便他们更加了解工作流程,了解技术更多,然后也许也许是新的想法和更好的工作方式我们可以提出。我们的一些中东单位显然,对这项技术非常感兴趣。但我们也从一些东南亚企业单位上获得了兴趣。
这对未来意味着什么呢?在壳牌,最重要的是了解总体规划以及如何融入总体规划。所以在我们的案例中,我们有这些数字主题。
所以我们现在要确保我们内部推广的方式与这些数字主题一致,我们已经确定了其中三个。利用云端的一切,使用MDCS进行高性能计算,然后进行高级分析。例如,基于智能应用程序的技术。
就2018年的即时优先事项而言,我们希望继续部署MPS和MDC。而且现在我们已经证明了一些这些解决方案的技术方面,但我们现在需要看证明业务价值方面。万博 尤文图斯所以,正如我所说,我们将介绍地形识别的进一步进展,标签识别。
但是,不幸的是,我今天无法谈论的东西也在地震领域。所以我们目前正在寻求非常陡峭的学习技术来尝试和地震数据,因此只是通过简单的卷积来支付地下的地震数据的图像,通过简单的卷积来支付碳氢化合物分布,碳氢化合物属性分布。因此,这是我们公司中少数人的令人兴奋的区域也在看。
好的。这就是我要说的。我希望这是一次有趣的谈话。谢谢你!
您还可以从以下列表中选择一个网站:
选择中国网站(中文或英文)以获得最佳网站性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。