2020年7月4日 机器视觉与计算机视觉技术

用于目标识别的自学习机器视觉系统

机器视觉是工业4.0,即工业物联网背景下高度自动化和无缝联网过程的关键技术。使用诸如深度学习之类的新的人工智能过程变得越来越重要。许多好处使这项技术具有吸引力,但同时它也有局限性。

工业生产的自动化正在迅速发展。完全网络化和数字化的流程链在生产车间早已司空见惯。在工业4.0和智能工厂中,所有涉及的组件——包括机器、机器人、传输和处理系统、传感器和图像采集设备——一起工作,彼此无缝通信。机器人领域也出现了一种新趋势:小型、紧凑的移动机器人,即协作机器人(collaborative robots, cobots)正在加入生产流程,并经常与人类同事密切合作。cobots的最大好处是,它们可以快速地重新装备,并且只需很少的工作,这使得灵活地使用它们来完成不同的生产任务成为可能。

伴随并支持整个价值创建过程的互补技术在这些高度自动化的场景中扮演着重要的角色。这些包括,例如,可编程逻辑控制器(plc)和机器视觉。后者作为“生产之眼”实时观察和监控生产过程。图像采集设备,如相机、扫描仪和3D传感器,被放置在多个位置,并从不同的角度记录过程。生成的数字图像数据通过集成的机器视觉软件进行处理,可用于处理链中的各种任务。例如,可以根据光学特性可靠地检测目标并精确定位。该技术还可以检测产品的制造故障,从而自动排除故障,从而优化质量保证流程。

基于卷积神经网络(CNNs)架构的深度学习

越来越多的先进人工智能(AI)技术被纳入机器视觉系统。其中一项技术是基于卷积神经网络(CNN)体系结构的深度学习。大量的数字图像信息用于广泛的培训过程。基于这些数据,软件可以独立地对新对象进行分类。在训练过程中,自动学习特定对象类的特征。因此,新的图像数据可以精确地分配给它们的特定类别,从而产生非常高和强大的识别率。这些深度学习算法也适用于精确目标 定位 和缺陷识别。

机器视觉是“生产之眼”

深度学习技术注定要在机器视觉应用程序的某些领域使用。这些主要包括分类、对象检测和语义分割。这就是智能算法的优势所在。然而,在其他机器视觉应用中,深度学习的适用性有一定的局限性。由于需要分析大量的数据,训练过程通常需要非常大的计算能力和适当尺寸的硬件。特别是在时间非常关键的应用程序中,标准CPU通常是不够的。不适用于高速应用程序,例如高精度测量任务和具有毫米或微米精度的目标定位。在这种情况下,深度学习算法在一个标准CPU上需要50到100毫秒。然而,这种精确定位只需要几毫秒。这里需要的是一个功能强大的GPU, 通常 GPU是不适用于工业用途的硬件。

深度学习并非适用于所有应用

在工业应用中,深度学习也不是最佳选择,例如在电子和半导体工业中,要检测或识别的对象与实际情况非常相似。由于这些组件通常具有非常相似的外观,因此使用传统机器视觉方法进行培训只需要几个示例图像。在许多情况下,即使是单个图像也足以可靠地检测到对象并精确定位它们。然而,只有当每个对象至少有100个训练图像可用时,使用深度学习算法才有意义。因此,使用常规方法(如基于规则的软件技术)可以更好地解决机器视觉任务,其中要识别的对象非常相似。特别是对于读取数据代码和条形码,采用启发式算法而不是深度学习算法。对目标的度量,如亚像素精确轮廓提取,也依赖于启发式算法。

深度学习可以提高识别率

然而,在深度学习能够带来全部好处的应用中,必须考虑某些挑战。深度学习是一种相对较新的技术,市场对其提供的通用标准很少。此外,深度学习的整体处理非常复杂,需要深入的知识以及在人工智能、编程和机器视觉领域的多年经验。这通常超出了一般公司的能力,因为他们缺乏必要的专业人才。

通过预先培训的深度学习网络减少工作量

然而,有些公司可以通过合理的努力从深度学习中获益。例如,他们可以利用预先培训的深度学习网络。为此,市场上提供了许多免费的开源解决方案。不过,使用它们还是有一些陷阱。例如,可能会出现许可证问题。通常需要几十万个样本图像来精确识别物体。之所以需要如此多的特征,是因为许多不同的特征,如颜色、形状、纹理和表面结构,对识别过程至关重要。在选择如此大量的图像时,确保它们不受开源产品很少保证的第三方权利的约束是很重要的。

使用开源工具的另一个挑战是,它们通常只单独执行某些机器视觉任务,很难集成到其他应用程序或现有框架中。典型的机器视觉问题通常涉及几个步骤。首先,必须将来自图像采集设备的数字图像数据提供给特定应用程序。然后在第二个步骤中对数据进行预处理,在该步骤中,图像被优化定向以将对象放置在所需的位置。最后,处理后的数据被集成到其他解决方案中,例如PLC,这样就可以无缝地将结果用于其他流程步骤。这就是开源系统达到其极限的地方。

标准专有软件有很多优点

已经拥有预先培训的网络的专有标准软件解决方案是机器视觉的更实用的选择。这些解决方案包括配备培训深度学习网络的所有重要功能的软件。基于其广泛的功能和专门配置的工具,它可以最佳地集成到其他应用程序中。该解决方案包括多个网络,这些网络已根据工业环境中大约一百万个精心挑选的免许可证图像进行了预先培训。公司只需要一些额外的图像就可以根据自己的特定应用定制网络培训流程。这大大减少了培训工作,节省了资金,并避免了与图像权利相关的风险。

通过深度学习,可以精确地检测物体。图像来源:MVTec Software GmbH

使用开源工具是另一个挑战。深度学习应用程序通常包含数十万行编程代码。要正确操作,此代码必须满足某些质量标准。使用一个未知社区开发的开源代码会在这方面产生一定的风险。为了安全起见,公司需要在内部检查代码以确定其质量。由于大量的代码,这项任务非常劳动密集,并且产生了几乎无法计算的成本。然而,使用专有的商业解决方案,公司可以从高质量、经过测试和安全的代码中获益。如果需要支持的话,专业顾问和专家是可以利用的,这在开放的社区中是不可指望的。

结论

在数字化时代和工业物联网时代,机器视觉是高度自动化和网络化生产过程中不可或缺的伴随技术。 基于AI的技术,如深度学习和CNN,是这些机器视觉解决方案的重要组成部分。 但是,请务必记住它们仅适用于某些应用程序。 公司还应该仔细考虑开源系统是否足以满足他们的要求,或者是否值得花时间投资商业的专有软件解决方案。

Banner
Related Posts

机器视觉系统集成发展的现状和前景

2019年7月10日

2019年7月10日

机器视觉系统集成是一门学科,随着新成像技术的不断发展,这门学科的发展势头依然强劲。

机器视觉成为防治农作物减产的新式武器

2019年5月15日

2019年5月15日

农作物的损失对农民来说是毁灭性的。随着生态波动性的增加,这也是生活中的事实。

机器视觉检测系统完整解决方案以及开发流程

2019年4月25日

2019年4月25日

机器视觉一词可以想象是具有一组眼睛的计算机进行检测或检验行为。为了开发机器视觉应用的完整解决方案,视觉工程师执行一系列通常分为五个类别的任务:计划,设计,构建,集成和验证。

CCD成像在光源和色彩检测中的优势和应用

2019年7月25日

2019年7月25日

人类视觉感知是任何旨在被人类观看的照明或显示产品质量的最终标准。从平板电视到智能手机,灯泡到交通信号,VR球场的jumbotrons体育场,您的车内GPS到喷气式飞机的驾驶舱仪表,人类用户感知的以及他们注意到的任何缺陷都是决定性因素设备质量。人类对亮度和颜色的感知为操作和安全公差设定了基准。

用机器视觉法监测石榴成熟过程

2019年11月19日

2019年11月19日

瓦伦西亚农业调查研究所(IVIA)、米格尔·埃尔南德斯·德埃尔切大学和巴伦西亚理工大学的科学家们研究了两种用于石榴质量监测的机器视觉技术。

新型智能玻璃为机器视觉研究提供新的模拟途径

2019年7月18日

2019年7月18日

[据光电子网站2019年7月10日报道] 美国威斯康星大学麦迪逊分校电气和计算机工程系Zongfu Yu教授带领的团队开发出了一种新型智能玻璃。不需传感器、不用接通线路或外部电源、亦不需连接互联网,这种智能玻璃就可以利用光学反射的原理识别图像。

自主机器视觉系统Inspekto S70

2019年12月18日

2019年12月18日

自主机器视觉(AMV)是通过机器学习的技术,让视觉系统拥有自动识别对象的能力,它为质量保证提供了革命性的方法,同时将使巨额投资和长时间停机成为过去。

新的视觉系统可以在传感器内计算,无需将信息转换成数字格式

2020年3月5日

2020年3月5日

研究人员开发了一种图像传感器阵列,它作为自己的人工神经网络,可以同时捕获和识别光学图像,无需将信息转换成数字格式即可快速处理信息。

工业机器视觉应用有必要使用边缘计算吗?

2019年12月17日

2019年12月17日

伴随着机器视觉技术的快速发展,在提高制造商产品质量水平的同时加快生产效率,可以说拥有巨大的潜力。这项技术的影响范围也在不断地扩大,各种新的应用注定会在我们的日常生活中发挥更大的作用。

工业机器人及机器人视觉系统详解

2019年3月26日

2019年3月26日

人类想要实现一系列的基本活动,如生活、工作、学习就必须依靠自身的器官,除脑以外,最重要的就是我们的眼睛了,(工业)机器人也不例外,要完成正常的生产任务,没有一套完善的,先进的视觉系统是很难想象的。

深度学习在产品缺陷检测中面临的考验

2019年12月13日

2019年12月13日

人工智能(AI)的发展促使数很多公司投资于深度学习软件,对于视觉行业来说是个好兆头,因为需要在技术上实现飞跃。但是,对于采购或投资相关产品的的用户而言,重要的是要了解如何正确地评估深度学习软件可用性 ,以及它们如何工作的。

深度学习+机器视觉=下一代检测

2019年9月18日

2019年9月18日

将机器视觉和深度学习结合起来,将为企业在运营和投资回报(ROI)方面提供强大的手段。因此,抓住传统机器视觉和深度学习之间的差异,并理解这些技术如何相互补充——而不是竞争或替代——对于实现投资最大化至关重要。

智能高光谱成像与食品安全的未来

2020年3月9日

2020年3月9日

智能高光谱成像技术有望快速准确地检测病原体、异物以及产品的新鲜度和损伤。

如何利用机器人视觉进行拣货作业

2019年4月27日

2019年4月27日

机器人进行拣货作业定义了不同的过程,在这些过程中机器人用于从箱子中拾取和放置货物。 Bin pick是机器人领域中棘手的机器人任务。但是,您不必使用复杂的解决方案来解决它。使用机器人视觉的拣选可以以简单的方式执行。

贴纸相机解决物联网成像问题

2019年4月17日

2019年4月17日

Greg Blackman报道了CSEM的Witness IOT相机,这是一款可以作为贴纸部署的超低功耗成像仪。 Andrea Dunbar博士于3月在伦敦举行的Image Sensors Europe会议上展示了这项技术

Comments
发表评论

电子邮件地址不会被公开。 必填项已用*标注