深度学习驱动机器视觉系统提高了缺陷识别率

作者:admin    发布时间:2019-06-25    浏览量:

随着流程变得高度自动化并在工业物联网(IIoT)内普遍联网,数字化从根本上改变了工业生产。制造公司的生产程序涉及各种机器和机器人,这些机器和机器人在工业价值链中执行越来越多的任务。虽然固定式机器人在过去20年中已经在装配车间变得司空见惯,但新一代紧凑型和移动式机器人是当今生产工作流程中不可或缺的一部分。协作机器人或合作机器人经常在装配车间与人类同行一起工作。这些合作者相互补充,连续地执行个别的,完美协调的工艺步骤,甚至将工件彼此分开。

机器人视觉系统

现代伴随技术用于使这些高度自动化的场景更安全,更高效。机器视觉在这里起着关键作用,因为它能够仅基于光学特征精确识别生产过程中的各种物体。诸如照相机,扫描仪和3D传感器的图像采集设备从不同角度记录工作流程。这导致大量的数字图像数据由机器视觉软件处理并且可用于各种任务。作为生产之眼,该技术可无缝监控场景,可靠地识别物体,并精确确定工件位置。机器视觉还可以在缺陷产品进入生产周期的其余部分之前准确检测并自动清除缺陷产品,

人工智能分析

机器视觉系统人工智能分析

在IIoT过程中,人工智能(AI)越来越多地用于机器视觉解决方案。通常,会生成数十万个图像,形成一个可以借助AI进行详细评估的可靠数据库。为此目的,使用各种机器学习,尤其是深度学习方法以及卷积神经网络(CNN)。

与现代机器视觉软件相结合,AI技术可以为包括电子和食品以及汽车和半导体制造在内的应用实现更高,更强大的识别率。对图像数据的深入分析使得可以清楚地对要识别的对象进行分类,并且基于训练过程将它们分配给类。此过程涉及自动训练特定类的典型特殊功能。作为训练的结果,根据类别标记要检测的对象的图像。以这种方式训练的模型或分类器然后可以将新记录的图像分配给已经训练的类。

除了明确识别和分类物体外,这种方法还可以对制成品(无论是电子板,金属部件或食品)中的缺陷进行可靠的检测和精确定位。深度学习算法还可以优化公司质量管理系统的结果。例如,AI允许药品制造商在大量不同形状,尺寸,质地和颜色的药丸中检测各种缺陷,例如裂缝和划痕。这种新方法相对于传统机器视觉功能的特殊优势在于深度学习大大减少了检测错误所需的工作量。

产品缺陷在外观上有很大差异; 许多不同类型的损坏 - 例如划痕,裂缝或凹痕 - 可以采用许多不同的形状和尺寸。手动编程可以基于样本图像清楚地识别所有可想到的错误的算法几乎是不可能的,因为这将需要数十万个图像,所有这些图像都必须单独分析。然后仍然需要开发能够详细描述任何缺陷的算法。显然,这种耗时的方法很难付诸实践。

深度学习通过引入独立学习某些错误特征的能力从而精确定义特定问题类,使得该过程显着减少劳动密集。因此可以训练和可靠地检测各种错误类型,例如在前面提到的药丸检查中。深度学习还可以最大限度地减少错误配额,手动编程可以高达10%。当使用自学习算法时,它们几乎降至零。

深度学习网络

机器视觉系统的深度学习网络

制造商的一个选择是开发自己的深度学习网络。这也是极其劳动密集型的。需要数十万个样本图像才能获得有效的识别结果。毕竟只有在包含各种参数(如颜色,形状,纹理和表面结构)时,才能明确识别物体。有经验的开发人员需要专业配置网络。另一个挑战是许多样本图像受许可证保护,因此只能在发起人的同意下使用。此外,如果购买的图像显示非工业图案,则不适合进行培训。

更实用的方法是获取和使用预训练网络,这些网络已经学习了如何从图像中提取一般信息的基础知识。预训练网络学习如何在特定应用程序上使用这些通用图像特征,以便区分对象类,特征或错误。已经集成了广泛预训练的深度学习网络的软件可用。这些网络已经过使用具有工业主题的免许可证图像(例如,来自食品行业的金属部件或图像)的训练,这意味着客户可以无限制地使用这些预训练网络。

通常,预训练深度学习网络每个错误类别仅需要300到500个样本图像,而不是数十万个,这使公司更容易提供足够数量的相关培训图像。此外,随后的培训只需要几个小时,并且比手动编程缺陷类别时获得更高的识别率。预训练网络的最大优势是它们可以显着减少用户的工作量。根据行业专家的估计,一家公司需要投入6到12个人月来从头开始创建自己的网络。对商业现成标准软件的投资意味着已经包括深度学习专家的广泛知识。预训练网络的最大优势是它们可以显着减少用户的工作量。根据行业专家的估计,一家公司需要投入6到12个人月来从头开始创建自己的网络。对商业现成标准软件的投资意味着已经包括深度学习专家的广泛知识。预训练网络的最大优势是它们可以显着减少用户的工作量。根据行业专家的估计,一家公司需要投入6到12个人月来从头开始创建自己的网络。对商业现成标准软件的投资意味着已经包括深度学习专家的广泛知识。

相关新闻推荐

关注官方微信

微信二维码
版权所有 深圳市如虎科技有限公司 Copyright © 2018-2019 Tigervs.Com All Rights Reserved 粤ICP备19029139号-1