在我们的世界,各种机器视觉模型已经广泛应用在物料加载与递送,在线检测,机器人等诸多应用领域。
当我们决定做一个视觉项目的时候,相信不少人碰到过这样的困惑:到底是走人工智能路线好呢?还是选择传统的视觉方案呢?
如今,越来越多的行业正在转向深度学习技术(深度学习是机器学习的一种,是实现人工智能的必经路径),来解决传统规则算法编程过于复杂、耗时且成本高昂的制造检查问题。深度学习技术的优势明显突出,不仅可以帮助制造商解决传统机器视觉应用难以解决的问题,并且有更高的稳健性和可靠性。
虽然我们不能说人工智能会取代传统机器视觉,但随着时间的推移和人工智能的发展,人工智能的比重势必会进一步得到提升。
深度学习和传统机器视觉方法差异
Differences between deep learning and traditional machine vision methods
传统机器视觉学习步骤:人工分析图片的特征,通过图像算法提取特征,然后通过特征的数值来区分物品,在分析的时候不需要大量的图片,只需要几种分类的典型图片,和类别之间的临界图片,人工分析在整个过程当中起到了主导的作用。

深度学习的步骤:采集大量图片,标注图片,把图片放进网络训练,查看训练结果,调节参数和网络结构,再次训练,得到最好的结果。
深度学习在标注和训练的时候不需要专业,网络会自动提取和筛选特征,规划分割阈值。只是在调整参数和网络结构时需要专业工程师,但是在一些项目中可以不用调整参数和网络结构,通过调整数据来解决准确性问题。

适应性:基于深度学习技术能让机器视觉应用更加具有适应性,这是传统方法不容易实现的。或者说需要很大的人力物力才能实现的。
深度学习与传统方法相比,这样可省去特征选取和提取的步骤,在特征选取和提取的步骤中,用户要分析与检测相关属性的机器学习算法,然后才能将其训练为可以检测完整的物体。深度学习网络的显著区别在于,它可以在训练过程中独立地学习相关属性。
检测不同的物体和特征:深度学习方法的优势是能够检测以不同形式出现的物体或特征,例如表面划痕、不同形状的天然产品或手写字迹。例如在异常检测中,只需使用完美无瑕的物体图像来训练神经网络,即可识别物体在使用过程中造成的损坏。
更强大的物体识别功能:经过适当训练的神经网络可以很好地识别出变量环境(如变化的背景、不同的分辨率或光源条件)中的物体,无需针对每个可能的特性进行专门训练。
深度学习如何让大家买单
How deep learning can make everyone pay
深度学习将人工检查员的自学能力与计算机化系统的速度和一致性结合。
以外观缺陷检测为例,传统的工业视觉需要由专业的人员对机器进行大量的调试,繁复的调试工作不仅需要大量的工时,同时还需要品管人员进行反复的校核,最终进入产线检测。而基于深度学习的机器视觉是做一种定义的判断,根据给出样品照片为产品的缺陷下一个定义,无论是定位、读取、检测还是分类感兴趣的功能特征,深度学习型图像分析都能完美胜任。
与传统视觉一个明显的区别就是,只要有足够的数据,深度学习的机器视觉可以极大缩减前期调试工作的时间,只需要将数据输入给机器,就能由机器完成建模,以及形成对缺陷的认知。
对于传统机器视觉而言,检测具有复杂表面纹理和外观变化的视觉相似部件是一个困难的挑战。同时检测现场还存在多个变量,如光照、颜色变化、曲率等,一些缺陷检测用传统的机器视觉很难做到,而深度学习为解决这些问题带来了可能。
例如矩视智能低代码开发平台就可以比人类或传统机器视觉解决方案更有效地执行判断性检测。

以汽车零部件外观检测为例,采用矩视智能低代码平台,目标定位算法模块,检测方式支持静态或动态拍照。
搜集包含不同类型缺陷产品图片进行分类标注、训练,测试检测效果OK后下载模型进行本地部署,后期如果增加新缺陷样本,可以搜集图片样本对模型进行优化升级。
主要检测零部件有无360度碰伤,裂纹,凹陷等缺陷,以及特定位置的字符是否有外观缺陷。
(1)裂缝
拍摄图片

矩视智能低代码平台检测效果
(2)磕碰
拍摄图片
矩视智能低代码平台检测效果
(3)字符缺陷
拍摄图片
矩视智能低代码平台检测效果
(4)刮擦
拍摄图片
矩视智能低代码平台检测效果
(5)凹陷
拍摄图片
矩视智能低代码平台检测效果
(6)磨损缺料
拍摄图片
矩视智能低代码平台检测效果
最终,矩视智能提供的解决方案可为客户节省60%以上的人力成本;对于缺陷件的检出率高达99.7%以上,漏检率低于0.1%。
深度学习能替代机器视觉吗
Can deep learning replace traditional machine vision
深度学习的机器视觉并不针对单一产品,它最大的优势便是体现在其灵活性上,通过重新建模,可以很快将这套设备应用到其他产品的检测当中。
对比传统机器视觉,深度学习可以通过训练,很快适应新产品的检测,意味着买一套方案可以适应所有的解决场所,这是过去很难做到的。但针对特殊场景,如生产线的快速检测,还是传统视觉的强项。所以,可以这样理解深度学习是传统机器视觉的有利补充,双方并非替代的关系。
在某些确定情形下,或许传统算法可能表现得优于深度学习算法,但是其鲁棒性从原理角度来说是无法媲美深度学习算法的,因为特征是人为设定的,在面对“噪声”干扰时,除了进行人为修正设定特征这种办法外没有其他方法论可使用;反观深度学习算法,由于是端到端思想,特征的设置完全由网络去学习,一般而言其包含的特征数目要远大于人为设计的传统特征,那么从理论上来讲它的鲁棒性就更强;另外,即便出现异常数据的情况,从理论上来讲只需要做数据增广即可,难度上较之人为设计特征修正要简便的多。
使用传统算法可解释性虽然很强,但是传统算法存在着算法本身理解难度较大,调参复杂,上手困难的特点,不利于初学者;深度学习模型基本上搞清楚输入,输出,在参数未经细致调节的情况下也可以获得一个马马虎虎的结果,但传统算法就算了。
所以,在简单、固定的情形里面,传统算法或许能在计算资源消耗上优于深度学习,但是算法的表现最多只能是媲美训练合适的深度学习模型;但是在复杂且干扰甚多的情形下,传统算法综合来说无法媲美深度学习模型。

