|
機器視覺(jué)是人工智能的一個(gè)分支，簡(jiǎn)單來(lái)說(shuō)，就是用機器代替人眼來(lái)做測試和判斷。運用機器視覺(jué)可以提高生產(chǎn)的靈活性和自動(dòng)化程度，目前隨著(zhù)核心技術(shù)的不斷完善，機器視覺(jué)下游應用場(chǎng)景不斷拓展，包括消費電子、汽車(chē)、半導體、虛擬現實(shí)、智能安防、健康醫療等。 與人類(lèi)視覺(jué)相比，機器視覺(jué)功能范圍不僅包括對信息的接受，同時(shí)還延伸至對信息的處理與判斷，整體包括相機、鏡頭、視覺(jué)控制器、圖像處理、傳感器、算法平臺等。一個(gè)典型的機器視覺(jué)應用系統包括圖像捕捉模塊、圖像數字化模塊、圖像處理模塊、決策模塊、機械控制執行模塊以及光源系統等。 機器視覺(jué)在實(shí)際應用中，還存在很多問(wèn)題，比如缺陷樣本太少怎么辦，面對未知缺陷混入有沒(méi)有更好的解決方案等等。在2019年10月10日的機器視覺(jué)研討會(huì )上，機器視覺(jué)領(lǐng)域專(zhuān)業(yè)人士就機器視覺(jué)的工作流程細節、實(shí)際項目中遇到的問(wèn)題及解決方案等做了詳細分享和解讀。 機器視覺(jué)是如何工作的？ 機器視覺(jué)的工作過(guò)程離不開(kāi)深度學(xué)習，深度學(xué)習是機器學(xué)習研究中的一個(gè)新領(lǐng)域，其動(dòng)機在于建立、模擬人腦進(jìn)行分析學(xué)習的神經(jīng)網(wǎng)絡(luò )，它模仿人腦的機制來(lái)解釋數據，例如圖像、聲音和文本，深度學(xué)習的概念源于人工智能神經(jīng)網(wǎng)絡(luò )的研究。 深度學(xué)習的工作流程大致可概括為標注、訓練和推理。首先，人工收集和采集圖像，標注特征，形成數據；然后，將這些數據喂給計算機，讓計算機進(jìn)行訓練，生成網(wǎng)絡(luò )進(jìn)行評估，如果這個(gè)網(wǎng)絡(luò )的性能符合要求，就可以上線(xiàn)，實(shí)現檢測。網(wǎng)絡(luò )在上線(xiàn)之后，會(huì )產(chǎn)生大量的數據，這些數據又可以變成新的樣本，通過(guò)加入數據，進(jìn)行迭代優(yōu)化，讓網(wǎng)絡(luò )和檢測系統越來(lái)越好。 在深度學(xué)習的過(guò)程中，建立一個(gè)高質(zhì)量的訓練數據集非常關(guān)鍵。高質(zhì)量訓練數據集對于成功部署深度學(xué)習解決方案至關(guān)重要，邊緣情況或者標記不當的數據集會(huì )使網(wǎng)絡(luò )混亂，而標記良好、內部一致的數據集的效果會(huì )更佳，訓練圖像必須在其所代表的類(lèi)別中具備典型，訓練圖像樣式必須盡量貼近系統部署時(shí)會(huì )遇到的圖像。 深度學(xué)習對于機器視覺(jué)的應用大致可以分成三種，一是分類(lèi)，即可以將產(chǎn)品分為合格和不合格，這是深度學(xué)習最大的一個(gè)應用；二是定位，即幫助使用者定位物體的位置和數量；三是分割，即可以找到缺陷的輪廓，基于缺陷的輪廓和大小，對產(chǎn)品進(jìn)行更精細的判別。 相對于傳統機器學(xué)習，深度學(xué)習對于機器視覺(jué)的作用更顯著(zhù)，研華（中國）有限公司智能設備事業(yè)部資深產(chǎn)品經(jīng)理孫鳴聰認為，在某些方面，深度學(xué)習視覺(jué)解決方案會(huì )比傳統機器視覺(jué)解決方案更具優(yōu)勢，前者可以分析無(wú)規律圖像，精確度高，后者無(wú)法分析無(wú)規律圖像，精確度低。 在應對無(wú)規律圖像方面，深度學(xué)習機器視覺(jué)解決方案，即使圖像復雜，通過(guò)深度學(xué)習算法，軟件可以自動(dòng)學(xué)習瑕疵的特征，使得無(wú)規律圖像的分析變得可能；而傳統機器視覺(jué)解決方案，當圖像不規則、無(wú)規律時(shí)，缺陷的特征很難通過(guò)手動(dòng)設定，無(wú)法分析圖像。 在精確度方面，深度學(xué)習機器視覺(jué)解決方案，可通過(guò)深度學(xué)習算法和制造業(yè)特有的數據提高檢測的精確度；傳統機器視覺(jué)解決方案，如果缺陷部分和之前設定好的缺陷有輕微的出入，傳統視覺(jué)都無(wú)法檢測出這樣的缺陷，導致檢測的精確度低。 雖然深度學(xué)習在很多方面具有優(yōu)勢，不過(guò)也并不是所有任務(wù)都適用。FLIR Systems,Inc.現場(chǎng)應用工程師王重普指出，深度學(xué)習可以為強主觀(guān)性或定性問(wèn)題提供很方便的解決方法，主觀(guān)性問(wèn)題或由多種條件復雜的相互作用而得出答案的問(wèn)題是較為理想的應用。但是，深度學(xué)習并非有益于所有任務(wù)，他認為，許多基本的檢驗任務(wù)適合通過(guò)傳統機器視覺(jué)技術(shù)來(lái)完成，比如存在或缺少可清晰界定的特征、測量和對位。 實(shí)際應用中存在哪些問(wèn)題？ 雖然，機器視覺(jué)在實(shí)際應用中存在很多問(wèn)題需要改進(jìn)和優(yōu)化。在研討會(huì )上，中國大恒（集團）有限公司北京圖像視覺(jué)技術(shù)分公司資深解決方案工程師李東平分享了他們在項目中遇到的幾個(gè)問(wèn)題以及解決方案，這幾個(gè)問(wèn)題分別是，一、缺陷樣本太少，二、標注工作量過(guò)大，三、混入未知缺陷。 一、缺陷樣本太少的問(wèn)題，比如iWatch，因為蘋(píng)果的產(chǎn)品品控非常高、良品率高、缺陷量很少，它能提供的缺陷樣品就非常少，這樣就沒(méi)有足夠多的缺陷數據可以進(jìn)行訓練。 二、標注工作量大的問(wèn)題，對于缺陷檢測和分割來(lái)說(shuō)，標注的時(shí)候需要把缺陷都描出來(lái)，如果對于圖像覆蓋比較大，缺陷比較多的話(huà)，工作量就比較大。 三、混入未知缺陷的問(wèn)題，在生產(chǎn)過(guò)程中已經(jīng)知道了幾種缺陷，但是不知道將來(lái)會(huì )出現哪些缺陷，比如生產(chǎn)過(guò)程，突然混入異物、其他料，事先不知道會(huì )混入什么料，沒(méi)有進(jìn)行訓練，機器就檢測不出來(lái)，會(huì )將不合格產(chǎn)品作為合格產(chǎn)品輸出。 面對這些問(wèn)題，大恒圖像嘗試讓機器只學(xué)習好的樣本，沒(méi)有壞的樣本，因為只學(xué)習好的樣本，就不需要標注，只需要少量好的樣本。如果給機器輸入一張不好的圖片，它就會(huì )給出缺陷的區域，因為只訓練好的樣品，任何缺陷都可以檢測出來(lái)，而且運行過(guò)程也會(huì )很快。 對于混入未知缺陷的問(wèn)題，廣東奧普特科技股份有限公司總監賀珍真認為，將傳統機器學(xué)習和深度學(xué)習搭配使用也是一種可行方案。在他看來(lái)，傳統機器學(xué)習和深度學(xué)習各具優(yōu)劣勢，外觀(guān)檢測有一種情況，可以看出對比度非常高，用傳統方法處理，會(huì )非常的穩定和快速。 而深度學(xué)習對瑕疵分類(lèi)則會(huì )更有優(yōu)勢，比如客戶(hù)需要分出缺陷種類(lèi)，他們用傳統方法花了兩個(gè)月時(shí)間調好之后，如果換另外一種物料，又得重新調，這種情況便適合使用深度學(xué)習。然而對于沒(méi)有進(jìn)行訓練的缺陷出現，深度學(xué)習就沒(méi)有辦法檢測出來(lái)。 如果生產(chǎn)的過(guò)程中出現這種情況，奧普特嘗試用傳統的方法和深度學(xué)習一起應用，傳統的方法解決傳統的、快速的問(wèn)題，甚至把合格品分出來(lái)，再用深度工具去做一些瑕疵的分類(lèi)。 總結 隨著(zhù)智能化水平不斷提高，機器視覺(jué)已經(jīng)進(jìn)入高速發(fā)展期，中國機器視覺(jué)市場(chǎng)需求也將不斷增長(cháng)，報告顯示，2018年中國機器視覺(jué)市場(chǎng)規模超過(guò)100億元，預計2019年市場(chǎng)規模將接近125億，面對日益擴大的市場(chǎng)需求，不斷發(fā)現實(shí)際應用中的問(wèn)題，并優(yōu)化產(chǎn)品解決方案是企業(yè)能夠站穩市場(chǎng)位置的一個(gè)重要關(guān)鍵點(diǎn)。 （此文轉自技皆知） |
