新闻资讯

机器视觉使用深度学习提高产品品质

将机器视觉和深度学习相结合,将为公司在运营和投资回报率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,了解这些技术如何相互补充而不是竞争或替代,对于最大化投资至关重要。

在过去的十年中,技术的变化和进步是如此之多: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……在所有这些领域中,新颖的事物来自研发实验室,以改善我们的日常生活。工程师喜欢采用技术并使之适应其艰难的环境和约束。在制造业中,战略性地计划采用和利用其中某些或全部技术将至关重要。
 

让我们专注于AI,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,它可以帮助机器人组装商识别正确的零件,帮助检测产品上是否存在零件,零件缺失或组装不当,并更快地确定这些零件是否有问题。这可以高精度地完成。
 

什么是深度学习

在不深入讨论的情况下,让我们谈谈GPU硬件。GPU(图形处理单元)在单个芯片上收集了数千个相对简单的处理核心。他们的体系结构看起来像神经网络。它们允许部署模仿人类大脑的,受生物学启发的多层“深度”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(基于工具的基于规则的编程与基于示例的培训);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。
 

通过使用这样的架构,深度学习允许解决特定任务,而无需经过明确编程即可完成。换句话说,经典的计算机应用程序是由人为“特定于任务的”而编程的,但是深度学习使用数据(图像,语音,文本,数字……)并通过神经网络对其进行训练。深度神经网络从初始培训期间开发的主要逻辑开始,随着它们接收新数据的不断改进其性能。
 

它基于检测差异:它永久地查找一组数据中的变化和不规则性。它对不可预测的缺陷敏感/反应灵敏。人类自然可以做到这一点。基于刚性编程的计算机系统在这方面并不擅长。(但是与生产线上的检查员不同,计算机不会因为不断地执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(用于解锁计算机或在照片上识别人物)...推荐引擎(在流视频/音乐服务上或在电子商务网站上购物时)...电子邮件中的垃圾邮件过滤...疾病诊断...信用卡欺诈检测…
 

深度学习技术根据训练后的数据提供非常准确的输出。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。现在,该相同技术正在迁移到用于质量检查和其他基于判断的用例的高级制造实践中。
 

如果针对正确类型的工厂应用实施机器学习,则深度学习将扩大制造中的利润(特别是与其他可能需要数年才能获得回报的新兴技术进行投资相比)。
 

深度学习如何补充机器视觉?

机器视觉系统依赖于具有特定光学元件的工业相机内部放置的数字传感器。它获取图像。这些图像被馈送到PC。专门的软件处理,分析,测量各种特性以进行决策。机器视觉系统的性能稳定且零件制造良好。它们通过逐步过滤和基于规则的算法进行操作。
 

在生产线上,基于规则的机器视觉系统可以每分钟高精度地检查数百甚至数千个零件。它比人工检查更具成本效益。视觉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:引导(位置,方向…),标识(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,例如缺少安全密封件,损坏的零件……)。
 

基于规则的机器视觉非常适合使用一组已知的变量:是否存在零件?这个物体与那个物体到底有多远?该机器人需要在哪里拿起这部分?这些作业很容易在受控环境中部署在装配线上。但是,如果事情没有那么明确会发生什么呢?
 

这是深度学习进入游戏的地方:•解决难以使用基于规则的算法进行编程的视觉应用程序。•处理容易混淆的背景和零件外观变化。•维护应用程序并在工厂车间使用新的图像数据进行重新培训。•适应新示例,而无需重新编程核心网络。
 

一个典型的工业示例:在电子设备屏幕上寻找划痕。这些缺陷的大小,范围,位置或背景不同的屏幕都将有所不同。考虑到这样的变化,深度学习将分辨出良品与不良品之间的区别。另外,在新目标(如不同类型的屏幕)上训练网络就像拍摄新的参考图片一样容易。图2.典型的工业示例:寻找尺寸,范围,位置不同或背景不同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而言,检查具有复杂表面纹理和外观变化的视觉相似零件是严峻的挑战。几乎总是拒绝影响实用程序的“功能”默认值,但根据制造商的需求和偏好,可能不会拒绝“化妆品”异常。甚至更多:这些缺陷对于传统的机器视觉系统来说很难区分。
 

由于难以隔离的多个变量(照明,颜色变化,曲率或视野),众所周知,某些缺陷检测很难用传统的机器视觉系统进行编程和解决。深度学习再次带来了其他合适的工具。
 

简而言之,传统的机器视觉系统可通过一致且制造精良的零件可靠地运行,并且随着异常和缺陷库的增长,应用程序的编程变得越来越困难。对于需要像人一样的视觉以及计算机的速度和可靠性的复杂情况,深度学习将被证明是真正改变游戏规则的选择。图3。

 

图3:与传统的机器视觉相比,深度学习具有:1.专为难以解决的应用程序设计;2.易于配置;3.容忍变化。


深度学习对工业制造的好处

当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相互补充,而不是一个选择。在某些应用中,例如测量,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无法预测的缺陷的复杂检查(在传统的机器视觉系统中进行编程和维护非常繁琐和复杂),基于深度学习的工具提供了绝佳的选择。

获得更多产品支持与培训

加入WELINKIRT

是否有任何疑问?

世界各地的WELINKIRT代表可以随时为您提供支持,满足您的视觉和工业读码需求。

联系我们