機器視覺是人工智能的一個分支，簡單來說，就是用機器代替人眼來做測試和判斷。運用機器視覺可以提高生產的靈活性和自動化程度，目前隨著核心技術的不斷完善，機器視覺下游應用場景不斷拓展，包括消費電子、汽車、半導體、虛擬現實、智能安防、健康醫療等。

與人類視覺相比，機器視覺功能范圍不僅包括對信息的接受，同時還延伸至對信息的處理與判斷，整體包括相機、鏡頭、視覺控制器、圖像處理、傳感器、算法平臺等。一個典型的機器視覺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。

機器視覺在實際應用中，還存在很多問題，比如缺陷樣本太少怎么辦，面對未知缺陷混入有沒有更好的解決方案等等。機器視覺領域專業人士就機器視覺的工作流程細節、實際項目中遇到的問題及解決方案等做了詳細分享和解讀。

機器視覺的工作過程離不開深度學習，深度學習是機器學習研究中的一個新領域，其動機在于建立、模擬人腦進行分析學習的神經網絡，它模仿人腦的機制來解釋數據，例如圖像、聲音和文本，深度學習的概念源于人工智能神經網絡的研究。

深度學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，讓計算機進行訓練，生成網絡進行評估，如果這個網絡的性能符合要求，就可以上線，實現檢測。網絡在上線之后，會產生大量的數據，這些數據又可以變成新的樣本，通過加入數據，進行迭代優化，讓網絡和檢測系統越來越好。

在深度學習的過程中，建立一個高質量的訓練數據集非常關鍵。高質量訓練數據集對于成功部署深度學習解決方案至關重要，邊緣情況或者標記不當的數據集會使網絡混亂，而標記良好、內部一致的數據集的效果會更佳，訓練圖像必須在其所代表的類別中具備典型，訓練圖像樣式必須盡量貼近系統部署時會遇到的圖像。

深度學習對于機器視覺的應用大致可以分成三種，一是分類，即可以將產品分為合格和不合格，這是深度學習最大的一個應用；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，對產品進行更精細的判別。

相對于傳統機器學習，深度學習對于機器視覺的作用更顯著，在應對無規律圖像方面，深度學習機器視覺解決方案，即使圖像復雜，通過深度學習算法，軟件可以自動學習瑕疵的特征，使得無規律圖像的分析變得可能；而傳統機器視覺解決方案，當圖像不規則、無規律時，缺陷的特征很難通過手動設定，無法分析圖像。在精確度方面，深度學習機器視覺解決方案，可通過深度學習算法和制造業特有的數據提高檢測的精確度；傳統機器視覺解決方案，如果缺陷部分和之前設定好的缺陷有輕微的出入，傳統視覺都無法檢測出這樣的缺陷，導致檢測的精確度低。

雖然深度學習在很多方面具有優勢，不過也并不是所有任務都適用。在項目中遇到的幾個問題以及解決方案，這幾個問題分別是：

一、缺陷樣本太少的問題，比如iWatch，因為蘋果的產品品控非常高、良品率高、缺陷量很少，它能提供的缺陷樣品就非常少，這樣就沒有足夠多的缺陷數據可以進行訓練。

二、標注工作量大的問題，對于缺陷檢測和分割來說，標注的時候需要把缺陷都描出來，如果對于圖像覆蓋比較大，缺陷比較多的話，工作量就比較大。

三、混入未知缺陷的問題，在生產過程中已經知道了幾種缺陷，但是不知道將來會出現哪些缺陷，比如生產過程，突然混入異物、其他料，事先不知道會混入什么料，沒有進行訓練，機器就檢測不出來，會將不合格產品作為合格產品輸出。

面對這些問題，大恒圖像嘗試讓機器只學習好的樣本，沒有壞的樣本，因為只學習好的樣本，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，而且運行過程也會很快。

對于混入未知缺陷的問題，將傳統機器學習和深度學習搭配使用也是一種可行方案。傳統機器學習和深度學習各具優劣勢，外觀檢測有一種情況，可以看出對比度非常高，用傳統方法處理，會非常的穩定和快速。而深度學習對瑕疵分類則會更有優勢，比如客戶需要分出缺陷種類，他們用傳統方法花了兩個月時間調好之后，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習。然而對于沒有進行訓練的缺陷出現，深度學習就沒有辦法檢測出來。如果生產的過程中出現這種情況，用傳統的方法和深度學習一起應用，傳統的方法解決傳統的、快速的問題，甚至把合格品分出來，再用深度工具去做一些瑕疵的分類。

隨著智能化水平不斷提高，機器視覺已經進入高速發展期，中國機器視覺市場需求也將不斷增長，報告顯示，2018年中國機器視覺市場規模超過100億元，預計2019年市場規模將接近125億，面對日益擴大的市場需求，不斷發現實際應用中的問題，并優化產品解決方案是企業能夠站穩市場位置的一個重要關鍵點。

返回列表