机械视觉使用深度学习提高产品品质

在已往的十年中，技术的变革和进步是如此之多：设备移动性……大数据……人工智能(AI)……物联网……机械人技术……区块链……3D打印……机械视觉……在全这些领域中，新颖的事物来自研发实验室，以改善我们的日常生活
。工程师喜欢接纳技术并使之适应其艰难的情况和约束
。在制造业中，战略性地计划接纳和利用其中某些或全部技术将至关重要
。
 

让我们专注于AI， 是基于深度学习的图像剖析或基于示例的机械视觉
。与古板的基于规则的机械视觉相结合，它可以资助机械人组装商识别正确的零件，资助检测产品上是否保存零件，零件缺失或组装不当，并更快地确定这些零件是否有问题
。这可以精度高地完成
。
 

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(图形处理单位)在单个芯片上收集了数千个相对简单的处理焦点
。他们的体系结构看起来像神经网络
。它们允许安排模仿人类大脑的，受生物学启发的多层“深度”神经网络
。图1
。
 

古板机械视觉和深度学习之间的D 1个区别包括：1.开发历程(基于工具的基于规则的编程与基于示例的培训);2.硬件投z(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
；痪浠八，经典的盘算机应用程序是由人为“特定于任务的”而编程的，可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绝革新其性能
。
 

它基于检测差别：它 地查找一组数据中的变革和不规则性
。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
；诟招员喑痰呐趟慊低吃谡夥矫娌⒉簧贸
。(可是与生产线上的检查员差别，盘算机不会因为不绝地执行相同的迭代而感应疲倦
。)
 

在日常生活中，深度学习的典范应用是面部识别(用于解锁盘算机或在照片上识别人物)...推荐引擎(在流视频/音乐效劳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…
 

深度学习技术凭据训练后的数据提供很是准确的输出
。它被用于预测模式，检测差别和异常以及做出要害的业务决策
。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械学习，则深度学习将扩大制造中的利润( 是与其他可能需要数年才华获得回报的新兴技术进行投z相比)
。
 

深度学习如何增补机械视觉?

机械视觉系统依赖于具有特定光学元件的工业相机内部安排的数字传感器
。它获取图像
。这些图像被馈送到PC
。专门的软件处理，剖析，丈量种种特性以进行决策
；凳泳跸低车男阅芪榷ㄇ伊慵制造良好
。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，基于规则的机械视觉系统可以每分钟精度高地检查数百甚至数千个零件
。它比人工检查更具本钱效益
。视觉数据的输出基于解决检盘问题的基于规则的程序化要领
。

 

在工厂车间，古板的基于规则的机械视觉很是适合：引导(位置，偏向…)，标识(条形码，数据矩阵代码，标记，字符…)，丈量(距离与指定值的比较……)，检查(缺陷和其他问题，例如缺少密封件，损坏的零件……)
。
 

基于规则的机械视觉很是适合使用一组已知的变量：是否保存零件?这个物体与那个物体究竟有多远?该机械人需要在哪里拿起这部分?这些作业很容易在受控情况中安排在装配线上
。可是，如果事情没有那么明确会爆发什么呢?
 

这是深度学习进入游戏的地方：•解决无法使用基于规则的算法进行编程的视觉应用程序
。•处理容易混淆的配景和零件外观变革
。•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，而无需重新编程焦点网络
。
 

一个典范的工业示例：在电子设备屏幕上寻找划痕
。这些缺陷的巨细，规模，位置或配景差别的屏幕都将有所差别
？悸堑秸庋谋涓，深度学习将区分出良品与不良品之间的区别
。另外，在新目标(如差别类型的屏幕)上训练网络就像拍摄新的参考图片一样容易
。图2.典范的工业示例：寻找尺寸，规模，位置差别或配景差别的差别外貌上的缺陷
。
 

关于古板的基于规则的机械视觉系统而言，检查具有庞大外貌纹理和外观变革的视觉相似零件是严峻的挑战
。险些总是拒绝影响实用程序的“功效”默认值，但凭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：这些缺陷关于古板的机械视觉系统来说很难区分
。
 

由于无法隔离的多个变量(照明，颜色变革，曲率或视野)，众所周知，某些缺陷检测很难用古板的机械视觉系统进行编程息争决
。深度学习再次带来了其他合适的工具
。
 

简而言之，古板的机械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
。关于需要像人一样的视觉以及盘算机的速度和可靠性的庞大情况，深度学习将被证明是真正改变游戏规则的选择
。图3
。

 

图3：与古板的机械视觉相比，深度学习具有：1.为无法解决的应用程序设计;2.易于配置;3.容忍变革
。

深度学习对工业制造的利益

当接纳下一代工厂自动化工具时，基于规则的机械视觉和基于深度学习的图像剖析相互增补，而不是一个选择
。在某些应用中，例如丈量，基于规则的机械视觉仍将是 且具有本钱效益的选择
。关于涉及广泛偏差和无法预测的缺陷的庞大检查(在古板的机械视觉系统中进行编程和维护很是繁琐和庞大)，基于深度学习的工具提供了绝佳的选择
。