深度学习为下一代机器视觉技术赋能

作者:Tigervs    发布时间:2019-09-17    浏览量:

结合机器视觉和深度学习将使公司在操作和ROI轴上具有强大的意义。因此,了解传统机器视觉与深度学习之间的差异,了解这些技术如何相互补充 - 而不是竞争或取代 - 对于最大化投资至关重要。

深度学习为机器视觉系统赋能

在过去十年中,技术的变化和改进已经变得如此多样化:设备移动性、大数据、人工智能(AI)、物联网、机器人技术、区块链、3D打印、机器视觉......在所有这些领域,新奇的东西来自研发实验室,以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AI,特别是基于深度学习的图像分析或基于实例的机器视觉。结合传统的基于规则的机器视觉,它可以帮助机器人装配工识别正确的零件,帮助检测零件是否存在或缺失或在产品上不正确地组装,并更快地确定这些是否是问题。这可以高精度完成。

什么是深度学习

在没有深入细节的情况下,让我们谈谈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。

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敏感/反应。人类自然会做得很好。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、信用卡欺诈检测等深度学习技术根据训练的数据生成非常准确的输出。它被用于预测模式,检测方差和异常,并做出关键的业务决策。同样的技术现在正在转向用于质量检验和其他基于判断的用例的先进制造实践。

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)。

深度学习如何为机器视觉系统赋能

机器视觉系统依赖于放置在具有特定光学器件的工业相机内的数字传感器。它获取图像。这些图像被送到PC。专业的软件流程,分析,衡量决策的各种特征。机器视觉系统可靠,一致且制造精良的零件。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。该可视化数据的输出基于解决检查问题的基于规则的程序化方法。

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?

这就是深度学习进入游戏的地方: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。

典型的工业示例:寻找电子设备屏幕上的划痕。这些缺陷在尺寸,范围,位置或具有不同背景的屏幕上都会有所不同。考虑到这些变化,深度学习将说明好的和有缺陷的部分之间的区别。此外,在新目标(如不同类型的屏幕)上训练网络就像拍摄一组新的参考图片一样简单。

对于传统的基于规则的机器视觉系统来说,检查具有复杂表面纹理和外观变化的视觉上相似的部件是严峻的挑战。影响实用程序的功能默认值几乎总是被拒绝,但装饰性异常可能不会,这取决于制造商的需求和偏好。甚至更多:这些缺陷难以与传统的机器视觉系统区分开来。

由于难以隔离的多个变量(照明,颜色,曲率或视野的变化),一些缺陷检测是众所周知的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适当的工具。

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。

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。

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彼此的补充,而不是任何一种选择。在某些应用中,如测量,基于规则的机器视觉仍将是首选且具有成本效益的选择。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编程和维护过多且复杂 - 基于深度学习的工具提供了极好的替代方案。

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