在线会议
论坛
专题
工控直播
新闻中心
子站
技术
社区
正像"垃圾进、垃圾出"这个简单的道理一样，成功的机器视觉系统必须从高质量的数据开始。当前的挑战需要能够跟上技术发展速度的灵活机器视觉系统和模型。
制造商已经发现将深度学习与机器视觉合作以提供可以补偿低质量输入的动态解决方案。然而控制工程网版权所有，尽管有深度学习补偿，从高质量的输入开始会产生更好的结果。
深度学习入门
传统的机器视觉系统使用基于规则的算法来做出数学决策CONTROL ENGINEERING China版权所有，但某些应用可能难以数学描述，这给很多实际应用带来了挑战。对模糊或难以表征的图像进行分类和标记的能力将使许多类型的机器视觉系统受益。
例如，外观缺陷检测和总装验证等机器视觉挑战很难在静态或传统编码程序中处理。根据数据而不是算法训练系统提供了一种改进某些机器视觉应用的方法。
实施深度学习系统涉及在数据上训练卷积神经网络 (CNN)，以便更轻松地处理模棱两可或困难的特征，例如检测外观缺陷。在机器视觉中获得基于深度学习的最佳决策涉及迭代。
例如，必须在制造照明和零件展示条件下获取图像时，系统通常需要大量的样本图像来捕捉零件变化以获得准确的结果并减少假阴性。外观缺陷检测涉及将各种零件图像加载到深度学习系统中，并将它们标记为"好"或"坏"。这些训练图像可能包括不同的方向、光照条件、几何尺寸和公差、缺陷和故障，以及处理过程中可能出现的任何其他变化。
通过对每个图像、特征、特征、缺陷和光照变化进行分类和标记来了解正确训练系统的可能或必要的变化可能会带来挑战。分类涉及确定好零件和坏零件的整体真实情况，或在使用多个分类器时识别存在的缺陷类型。
标记涉及识别特定的缺陷位置或其他对训练神经网络来说很重要的特征。经过训练和开发控制工程网版权所有，基于深度学习的机器视觉在投入生产之前必须经过统计测试。与手动检查过程一样，深度学习系统只能通过在统计上有效的数据集上测量其性能来进行鉴定。
开发基于深度学习的机器视觉解决方案的4个阶段
利用先进的机器视觉照明
也许在视觉系统的设计和实施中，没有任何方面比照明更容易造成延误和成本超支。当然，照明本身并不造成这些问题，但它往往是最后被指定或开发的部分。在没有视觉专用照明（如荧光灯或白炽灯和环境光）的时代，这可能是可以理解的。然而控制工程网版权所有，今天，照明几乎可以优化机器视觉系统的每一个方面，并代表了一个重要的系统组件。
深度学习可以帮助补偿不同的成像挑战，这让一些工程师认为，数据可能不像以前认为的那样关键。例如，如果深度学习可以调整照明，那么照明一定没有那么重要。但这个想法并没有从 "垃圾进、垃圾出 "中改变。从最好的、最准确的输入数据开始，总是能产生更好的结果。
照明条件对深度学习系统的影响
在最近的一个案例研究中，一个基于深度学习的机器视觉系统检查了具有良好和不良照明的部件www.cechina.cn，目的是发现缺陷并测量每种照明配置的性能。每个零件的缺陷从1到3个不等，包括阳极氧化表面上的划痕和凹痕。训练集由 35 张未损坏（好）零件的图像和 35 张损坏（坏）零件的图像组成。
总共70张图片被用于好的和坏的照明配置中，这两个数据集帮助训练分类网络。每个网络总共被训练了30次。训练集中的每张图片都生成了一张增强的图片。增强的图像是通过在两个轴上翻转每张图像而产生的。因此，每个数据集的有效大小是每个照明配置的140张图像。两个网络都使用相同的训练和增强设置以确保良好的比较。
这个简单的实验表明，深度学习表面检测系统的性能在优化的照明设置下会有很大的提高。一个用好的照明配置训练的网络比用坏的照明配置训练的网络显示出12.85%的准确性。
深度学习无法弥补或替代优质照明。该实验的结果适用于各种机器视觉应用。糟糕的照明配置将导致特征提取不佳，并增加缺陷检测混淆或误报。
几项严格的研究表明，分类精度会随着图像质量失真（例如模糊和噪声）而降低。一般来说，虽然深度神经网络在质量图像上的表现优于或与人类相当，但在使用失真图像时，网络的性能远低于人类。
好的照明改进了输入数据，这大大提高了深度神经网络系统为机器视觉应用比较和分类图像的能力。智能照明将继续推动传统或深度学习系统的机器视觉应用并产生最佳结果。
MVTalks机器视觉技术研讨会昆山站
测量系统构建完整指南 NI DAQ从入门到精通
2024阿自倍尔新产品说明会深圳站
爱德克工业安全产品八大“金刚”有奖试用
FOTRIC(飞础科)红外热像仪试用体验活动
