2020年6月27日 机器视觉与计算机视觉技术

深度学习+机器视觉=下一代检测

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。

在过去的十年里,技术的变化和改进是如此之多:设备移动性……大数据……人工智能(AI)……物联网……机器人……区块链……3D打印……机器视觉……在所有这些领域,创新的东西从研发实验室出来,改善我们的日常生活。

工程师喜欢采用和调整技术以适应他们艰难的环境和限制。在制造业中,战略性地规划采用和利用部分或全部这些技术将至关重要。

让我们关注人工智能,特别是基于深度学习的图像分析或基于示例的机器视觉。与传统的基于规则的机器视觉相结合,它可以帮助机器人装配者识别正确的部件,帮助检测产品上的部件是否存在或丢失或装配不当,并更快地确定这些问题。

什么是深度学习

在没有深入细节的情况下,让我们先了解下GPU硬件。 GPU(图形处理单元)在单个芯片上收集数千个相对简单的处理核心。他们的架构看起来像神经网络。它们允许部署模仿人类大脑的生物学启发和多层“深层”神经网络。

图1:传统机器视觉和深度学习之间的第一个区别包括:

1.开发过程(基于工具的规则编程与基于实例的培训);

2.硬件投资(深度学习需要更多的处理和存储);

3.工厂自动化用例。

通过使用这种架构,深度学习允许在没有明确编程的情况下解决特定任务。换句话说,经典计算机应用程序由人类编程为“任务特定”,但深度学习使用数据(图像,语音,文本,数字……)并通过神经网络训练它。从初始训练期间开发的主要逻辑开始,深度神经网络将在接收新数据时不断改进其性能。

它基于检测差异:它永久地查找一组数据中的变更和不规则。它对不可预测的缺陷反应敏感,人类天生擅长这一点。基于严格编程的计算机系统并不擅长。 (但与生产线上的人工检查员不同,计算机不会因为不断进行相同的迭代而感到疲倦。)

在日常生活中,深度学习的典型应用是面部识别(解锁计算机或识别照片上的人)…推荐引擎(流媒体视频/音乐服务或在电子商务网站购物时)…电子邮件中的垃圾邮件过滤…疾病诊断…信用卡欺诈识别…

深度学习技术基于训练数据做出非常精确的输出。它被用于预测模式、检测差异和异常,以及做出关键的业务决策。同样的技术现在正在迁移到高级制造实践中,用于质量检查和其他基于判断的用例。。

当针对正确类型的工厂应用实施时,结合机器视觉,深度学习将扩大制造业的利润(特别是与可能需要数年才能获得回报的其他新兴技术的投资相比)。

深度学习如何拓展机器视觉?

机器视觉系统依赖于放置在带有特定光学元件的工业相机内的数字传感器获取图像,这些图像被输入PC,通过专门的软件处理,分析,测量各种决策特征。机器视觉系统可靠、一致且保障制造精良的零件。它们通过逐步过滤和基于规则的算法运行。

在生产线上,基于规则的机器视觉系统可以高精度地每分钟检查数百甚至数千个零件。它比人工检查更具成本效益。可视化数据的输出是基于解决检查问题的程序化、基于规则的方法。

在工厂车间,传统的基于规则的机器视觉非常适合:指导(位置,方向……),识别(条形码,数据矩阵代码,标记,字符……),测量(距离与指定值的比较……),检查(缺陷和其他问题,如缺少安全封条,破损部分……)。

基于规则的机器视觉具有一组已知的变量:是存在还是不存在?这个物体与那个物体究竟有多远?这个机器人需要在哪里拿起这个部件?这些作业易于在受控环境中在装配线上部署。但是当事情不那么明确时会发生什么呢?

这就是需要深度学习的地方:

•解决视觉应用程序太难以使用基于规则的算法进行编程。

•处理令人困惑的背景和零件外观的变化。

•维护应用程序并在工厂车间重新训练新的图像数据。

•无需重新编程核心网络即可适应新的示例。

一个典型的工业例子:寻找电子设备屏幕上的划痕。这些缺陷在大小、范围、位置或具有不同背景的屏幕之间都有所不同。考虑到这些变化,深度学习将区分出好的和坏的部分。此外,在一个新的目标上训练网络(就像在一个不同的屏幕上)就像拍摄一组新的参考图片一样简单。

图2。典型的工业实例:寻找在尺寸、范围、位置或不同背景下的不同表面上的缺陷。

对于传统的基于规则的机器视觉系统来说,检测具有复杂表面纹理和外观变化的视觉相似部件是一个严峻的挑战。影响实用程序的“功能”缺省值几乎总是被拒绝的,但是“外观”异常可能不会被拒绝,这取决于制造商的需求和偏好。更重要的是:这些缺陷是传统机器视觉系统难以区分的。

由于难以分离的多个变量(光照、颜色变化、曲率或视野),一些缺陷检测非常难以用传统的机器视觉系统编程和解决。在这里,深度学习带来了其他合适的工具。

简而言之,传统的机器视觉系统使用一致且制造精良的零件可靠地执行,随着异常和缺陷库的增长,应用程序变得难以编程。对于需要人类视觉以及计算机速度和可靠性的复杂情况,深度学习将被证明是一个真正改变游戏规则的选择。

图3:与传统机器视觉相比,深度学习是:1。专为难以解决的应用而设计; 2.更易于配置; 3.容忍变化。

深度学习对工业制造的好处

在采用下一代工厂自动化工具时,基于规则的机器视觉和基于深度学习的图像分析是互补的,而不是非此即彼的选择。在一些应用程序中,比如测量,基于规则的机器视觉仍然是首选的和经济有效的选择。对于涉及广泛偏差和不可预测缺陷的复杂检查—在传统机器视觉系统中,数量太多且复杂到无法编程和维护—基于深度学习的工具提供了一个很好的替代方案。

Banner
Related Posts

机器视觉技术在农业应用研究进展

2019年3月31日

2019年3月31日

随着计算机软硬件、图像采集处理装置、图像处理技术的迅猛发展,机器视觉技术在农业的应用领域不断扩展。目前,美国、日本、德国等发达国家已经开始将机器视觉系统应用到农业生产的各个阶段,以解决人口老龄化加剧、劳动力缺失等问题引起的挑战。

机器视觉技术发展的五大趋势

2019年6月21日

2019年6月21日

在过去的一年里,人工智能(AI)、大数据、3D成像和机器人过程自动化等领域在取得了空前的发展。在即将到来的2019年,机器视觉技术应用还将蓬勃发展,新机器视觉认为五大发展趋势将引领行业应用。

在图像处理中应用深度学习技术

2019年3月28日

2019年3月28日

深度学习应用凭借其在识别应用中超高的预测准确率,在图像处理领域获得了极大关注,这势必将提升现有图像处理系统的性能并开创新的应用领域。

红外相机热成像在缺陷检查中的应用

2019年6月1日

2019年6月1日

制造商正在使用红外摄像机来辅助预防性维护,并发现与热相关的装配过程中的缺陷。

表面缺陷检测系统方案实施的七个步骤

2019年5月24日

2019年5月24日

表面缺陷检测系统主要以相机成像和图像处理技术为主,配置合适的相机和光源可以使被检测物体凸显表面缺陷或特征,使其检测系统能够实时、准确的对物体表面缺陷进行检测。

自动印刷代码检查解决方案

2019年4月17日

2019年4月17日

AutoCoding Systems将在米尔顿凯恩斯即将举行的UKIVA机器视觉会议上展示他们最新的视觉创新成果。由SICK AppSpace提供支持的4Sight解决方案是自动打印检测领域真正的行业突破。

科创板|天准科技:中国机器视觉第一梯队企业

2019年6月2日

2019年6月2日

2019年5月27日,上交所决定将于6月5日召开第1次审议会议,审议深圳微芯生物、安集微电子科技、苏州天准科技3家企业的发行上市申请。

基于机器视觉的监测系统​

2019年11月3日

2019年11月3日

本研究基于机器视觉技术,结合Python语言,openCV库等,编写出了一套高精度,高稳定性的位移监测算法,以Nvidia Jetson开发板为载体,结合单片机,红外传感器等,设计制造了一套具有形变监测与预警功能的系统。

中科院自动化所王欣刚:机器视觉将取代人类视觉

2019年6月21日

2019年6月21日

智能制造已成为全球制造业升级发展的重要方向,未来工厂里将采用越来越来越多的自动化技术,包括机器人、人工智能、虚拟现实等先进技术,其中,机器视觉将在智能工厂中将发挥关键作用。对于生产商来说,如何将这些技术运用到当前的生产线,将是实现工厂价值提升和未来发展的关键。

机器视觉技术可能比您想象的更厉害

2018年8月9日

2018年8月9日

从数字图像中自动提取信息的能力为制造商努力削减成本、提高质量和简化整体流程提供了更多可能。机器视觉的主要用途是检查、测量和机器人引导。

每个机器制造者都应该了解基于组件的3D视觉系统

2019年9月1日

2019年9月1日

在构建成本效益高的三维视觉系统时,是最好使用基于组件的方法(如照相机、激光、透镜、支架、校准目标)还是采用一体化(即智能)方法?乍一看,以较低的成本购买单个组件和构建定制的视觉解决方案似乎是更经济的途径。

3D热成像技术

2019年10月30日

2019年10月30日

Fraunhofer IOF使用LWIR热像仪扩展了其高速3D相机系统。他们的数据被映射到使用黑白摄像机重建的3D点,从而获得1kHz空间热图像。

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。

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。

短波红外成像技术与原理

2019年7月25日

2019年7月25日

短波红外(SWIR)的范围占据了电磁频谱略高于近红外。在1050到2500纳米之间——短波红外范围远远超出了标准硅基成像传感器的探测能力。

Comments
发表评论

电子邮件地址不会被公开。 必填项已用*标注