詹姆斯·马丁,壳牌国际
Amjad Chaudry,壳牌国际
机器学习和深度学习可以用来自动化一系列任务。壳牌和高级卓越分析中心(AACoE)正在使用这些技术来加快流程,同时提高可靠性。在测绘学中,地形分类可以利用丰富的标记卫星图像训练数据集来改进。在大的(全景)植物图像中自动标记检测也导致更有效的维护。
James和Amjad将演示如何使用MATLAB®使使用这些技术变得容易。通过最少的设置,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生产服务器™ 使团队能够使用最少的物理硬件(如智能手机)创建现场操作员可以使用的瘦web客户端。
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。
记录时间:2018年10月3日
在过去四年左右的时间里,高级分析在我们的工作方式中扮演着越来越重要的角色。但今天,我想特别谈谈深度学习,以及如何,特别是在MATLAB中,利用一些深度学习工具来改善我们的创新管道。有趣的是,Rick的主题演讲提到了迁移学习和语义分割。这正是我今天要讲的一些例子。
当然,作为壳牌,我们总是要发出警告。我把这个留给那些想读的人5秒钟左右。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,所以我把它放在里面了。最后是下一步,我们将从那里得到我们已经得到的结果。
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
我们尝试做的是在确定范围和创新阶段,我们参与其中。我们生产POC概念,最小可行产品,尝试并证明其价值。s manbetx 845然后逐渐引入IT,我们尝试全面部署解决方案和维护策略,这样我们就能完全交付业务价值。万博 尤文图斯
我想让大家注意的另一件事是所有的点。可以把它想象成左边组织中想法数量的标准化表示。我想强调的是,我们完全可以接受每个决策门的大量变动,所以这是关于确保你在组织内充分考虑。当你完成最后阶段时,我们将你的资源集中在最有价值的解决方案上。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达成了积极的协议,我们利用该协议来提高我们的生产力。
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。
这里有两个我们制作的网络应用的例子。右上角是一个关于沥青测试的网络应用程序。在左下角,你还可以看到一个预览我稍后会讲到的内容,那就是作为网页应用的地形分类。
我们还对MDC进行了一些实验,因此使用了MATLAB分布式计算服务器。因此,这使我们能够利用云上相当强大的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。
MathWorks咨询公司,正如我所说,非常有效地利用了我们的时间。然后我们现在也希望利用我们在班加罗尔的一些资源,让我们能够夜以继日地推进项目。
好的。这是第一个例子。这就是标签识别。你在背景中看到的是一件工业设备。我想这是一个泵。
但在下面,我想提请你们注意的是那个标签,那个标签。标签上有SAP代码。我们有这些图片,它们都是地理标记的,都是在工业环境中。我们要做的是提取标签,对其进行OCR,然后将其链接到我们的SAP系统,因为我们可以从SAP系统中提取大量元数据。
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。
好啊然后通过有线电视新闻网进行报道。所以现在我们只是讨论一下这个的训练。
因此,尽管通过培训,您不需要太多的培训数据,但是,我们在尝试设置足够的培训数据以稳定地执行此操作时仍然存在一些问题。所以我们把标签的定义扩展到了符号。因此,我们还包括了符号,然后进行了数据扩充,以进一步增加数据集,从而提供足够的数据,为您提供稳定的结果。
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。
因此,您可以看到内部场景和外部场景,以及不同的照明条件。你得到的是一个包围着它认为是符号的边界框——对不起——什么是符号和标签以及相关的概率。
对于你们当中敏锐的目光,你可能会注意到其中有很多误报。我们要做的是拿出所有可能的选项,然后我们依靠OCR在上面过滤掉很多误报。
好的。我刚刚向你们展示了转移学习被用来识别工业图像中的标签,然后在上面运行OCR来提取SAP代码。在运行时间方面,我给你们一个概念,每张图片大约需要三到四分钟。在这个特殊的用例中,我们可以用它来管理,这很好,但显然,如果你想要实时反馈,这是不可能发生的。
然而,如果您想沿着实时路线走下去,有一些技术可以显著地提高速度。例如,快速的r - cnn,它的速度可以提高大约100倍。
我们也在考虑在MDC上增加更多的GPU,大型GPU,以提高图像的分辨率。接下来,我想,很酷的事情是,一旦我们将其连接到SAP系统,我们如何将这些信息带回,比如说,带着增强现实护目镜在网站上走动的人?我们如何将这些信息可视化?这可能是我们的一些客户感兴趣的一个非常令人兴奋的领域。
我们使用的数据来自于欧洲的一个工业站点,我们现在已经得到了相当多的兴趣,特别是来自亚洲的一个业务部门。所以我们将继续这些活动。
好的。下一个例子是高光谱卫星数据中的地形识别。快速描述一下为什么这个问题值得解决以及为什么我们这么麻烦。
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。
然后他们必须通过实地考察来证实这一点。所以必须有人飞到这片沙漠的特定区域,然后开着卡车到处跑。他们需要放下旗帜来确认这确实是崎岖的地形。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。
这是我们的数据。我们有三种图像,航空摄影,雷达,和深度表面模型,DSM图像。由于2017年B的限制,我们需要做三个渠道,但在这种情况下是可以的。
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。
SegNet是什么?它通常用于自动驾驶汽车。想象左上角有一个道路场景,网络所做的是你把它传送过去,然后它基本上会把每个像素映射到一个类。
在上面的例子中,你有,人行道类,道路类,树类,等等。所以在我们的例子中,我们想要重新利用它,将它用于粗糙的地形或平滑的地形。这就是我们所做的。
目前我们实际上有一个30000个示例数据集,但我们仅在这项工作中使用了1000个示例。因此有很大的改进空间。与上面的图片相比,我们的网络结构稍微简单一些。
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。
这就是结果。我去掉了颜色,把它分解成原始图像。所以在上面你可以看到,在左边,航拍照片,然后是雷达和DSM。然后在左下方,你可以看到人类,或者我们的基本事实,然后是算法预测的。
在这两种情况下,你都可以看到,好的。因为它选择了我选择的数据的快照,所以性能非常好。目前,结果是定性的,而不是定量的,尽管我们将要致力于产生混淆矩阵和所有这些类型的东西。但是性能非常好。事实上,我们向终端客户展示了这一点,他们已经基本上认为性能优于现有的工作流。
我们允许客户通过web应用程序与数据进行交互,因此您可以在此处看到这一点。有了左边的图片,客户可以很容易地进入URL,上传各种图片以及他们想要查看的感兴趣区域。然后在推理步骤的右边,你可以浏览不同的输入和输出图像,覆盖基本事实,这样他们就可以了解结果的含义,以及他们满意和不满意的内容。
好的。接下来的步骤和最初的工作很相似。因此,如果我们能从内部获得良好的资金支持,未来还有很多工作要做。我们要做的第一步是参数调整。
我们要开始增加训练数据的数量从我们现在的位置开始,也就是1000。我们还会添加更多的类。所以我们有一个设施等级,一个城市等级我们想要添加到数据中。你可以在右上角看到一个设施类的例子。
这个应用程序,我们只花了两天就制作了这个web应用程序,这就是与MathWorks咨询公司合作的真正力量。我们希望在web应用程序中添加更多的功能,并准确地提供客户想要的东西。
对于这个特别的例子,由于它的性能已经很好了,而且人们对它很兴奋,所以有些人担心它会如何影响现有的工作流。这也包括工作人员。所以这次我们试图dual-integration策略,我们都提供这项技术同时也技能提升员工,这样他们就可以了解工作流程,了解这项技术,然后还可能想出新的想法和更好的工作方式,然后我们可以想出。我们的一些中东公司,显然,对这项技术非常感兴趣。但我们现在也收到了一些东南亚业务部门的兴趣。
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年当前的优先事项而言,我们希望继续部署MPS和MDCS。现在我们已经证明了一些解决方案的技术方面,但我们现在需要看看证明业务价值方面。万博 尤文图斯所以,就像我说的,我们要看看地形识别的进一步进展,标签识别。
但不幸的是,有一件事我今天不能讲,也是在地震领域。因此,我们目前正在寻找非常复杂的学习技术,试图绘制地震数据,通过简单的卷积,从地下图像到储层分布,油气分布,油气属性分布。所以这是一个非常令人兴奋的领域,我们公司也有不少人在关注。
好的。这就是我要说的。我希望这是一次有趣的谈话。谢谢你!
你也可以从以下列表中选择一个网站:
选择中国站点(中文或英文)以获得最佳站点性能。其他MathWorks国家/地区网站未针对您所在地的访问进行优化。