大数跨境

观点 | 深度学习 + 传统机器视觉,成为下一代工业视觉检测技术路线?

观点 | 深度学习 + 传统机器视觉,成为下一代工业视觉检测技术路线? 矩视智能
2022-03-25
0

如今,工业自动化快速发展,工业4.0的概念已经被提上日程。


在产品生产流水线上,对于产品的质量检测,许多企业也逐渐尝试用机器视觉代替人工肉眼进行检测,但时代瞬息万变,神经网络之深度学习这项技术的不断成熟,为产品外观检测带来更多的可能。


甚至可以说,深度学习已经彻底改变了机器视觉和人工智能这一领域,许多曾经看起来不可能解决的问题,深度学习都能够解决。


都说,将机器视觉和深度学习结合起来,为企业在运营和投资回报(ROI)方面提供了强大的手段。那么,深度学习如何做到与传统机器视觉的融合呢?



深度学习

让机器视觉定义缺陷更快速


虽然传统的机器视觉系统在处理一致且制造精良的部件时能够可靠地运行,但随着例外和缺陷库的增大,算法也会变得越来越有挑战性。


换句话说,到了特定的时候,工厂自动化中需要的某些应用将无法再依靠基于规则的机器视觉。


一些传统的机器视觉检测,因为有许多不易被机器识别的变量,所以编程也比较困难,例如:照明、颜色变化、曲面、或视野。


因此,深度学习这项技术在产品外观缺陷检测中便发挥了极大的效用。



借助深度学习这样的工具,可以在生产线上更加一致、更加可靠、且更加快速地完成这些任务。


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。而深度学习将人类进化的智能和基于规则的传统机器视觉的一致性、可重复性和可扩展性这两种优势结合在一起。


即告诉机器针对每个特定类别的对象需要查找什么。它为每个对象提供了最具描述性和显著的特征。换句话说,神经网络可以发现图像中的潜在模式。


因此,通过端到端的学习,你不再需要手动决定使用哪种传统计算机视觉技术来提取特征,机器可以帮你完成所有的工作。


《连线》杂志这样说到:

“例如,如果你想教一个深度神经网络识别一只猫,你不用告诉它注意胡须、耳朵、毛皮以及眼睛。


只需要简单地给它展示成千上万张猫的图像,最终它就可以完成这项任务。如果它还是容易将狐狸错分为猫,不用写代码,只需要继续训练它就行。”


将深度学习应用在传统视觉上的优点显而易见,可以节省大量前期准备工作,同时不用更改结构,准备好数据投喂即可。


当然,缺点同样在于数据,尽管用少量的样品图片就能够完成机器的识别,但想要获得较好的识别效果,也必须准备足够的样本才行。


深度学习崛起

传统机器视觉方法失宠了吗?


深度学习扩展了数字图像处理的边界。然而,这并不代表在深度学习崛起之前不断发展进步的传统机器视觉技术被淘汰。


下面让我们来分析为什么传统的计算机视觉仍不可或缺并值得研究。


传统机器视觉工作VS深度学习工作


深度学习需要大量数据训练


要想可靠地识别物体,首先需要大量的训练图像,这些图像会描述和标记所有物体和属性,以便让系统能在尽可能多的不同变量和环境中完成识别。用于训练的不同图像数据量越多,深度学习网络就越容易学会如何识别物体。


但是数据集过小就会造成模型对未知数据的泛化能力较差,因为机器并没有去学习解决目标问题,而是仅仅对训练数据进行了调优。


并且想要深入了解训练好的模型并进行一些手动调整是非常困难的,因为深度学习模型有数百万的参数,这些参数通过训练进行调优。也就是说,深度学习模型是一个黑盒。


对于一个训练好的模型,想要手动调整其中的一些内容是十分困难的,因为深度学习模型里面有数百万个参数。这些参数通过训练过程被调整,从某种意义上说,深度学习模型是一个黑箱。


传统的机器视觉是一个完全透明的系统,可以更好地衡量和判断模型在训练数据之外的有效性。你可以更深入地研究一个问题并将其迁移到算法中,并且针对模型中存在的问题,更容易找出需要调整的地方。


深度学习有时会产生过犹不及的效果


训练深度神经网络需要很长时间,并且对硬件要求也很高。一般来说使用专用设备 (例如高性能 GPU) 训练一个最先进的图像分类模型需要一整天的时间,而使用笔记本电脑进行训练则会花费不止一周的时间。


此外,如果训练的模型表现不好怎么办?这时候就要调整参数并从头开始训练,这个过程有时可能会重复数百次。


但有时这些都是不必要的,因为在某些问题上传统 CV 技术比深度学习更有效,并且代码行数也更少。


所以,掌握传统的计算机视觉技术可以为你节省很多时间和避免不必要的麻烦。


传统机器视觉技术与深度学习的融合


传统机器技术和深度学习方法之间存在明确的权衡。


简而言之,传统的机器视觉系统使用一致且制造精良的零件可靠地执行,随着异常和缺陷库的增长,应用程序变得难以编程。对于需要人类视觉以及计算机速度和可靠性的复杂情况,深度学习将被证明是一个真正改变游戏规则的选择。


传统机器视觉算法成熟、透明,且为性能和能效进行过优化;深度学习提供更好的准确率和通用性,但消耗的计算资源也更大。


混合方法结合传统机器视觉技术和深度学习,兼具这两种方法的优点。它们尤其适用于需要快速实现的高性能系统。


在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是互补的,而不是非此即彼的选择。


在一些应用程序中,比如测量,基于规则的机器视觉仍然是首选的和经济有效的选择。


对于涉及广泛偏差和不可预测缺陷的复杂检查,在传统机器视觉系统中,数量太多且复杂到无法编程和维护。基于深度学习的工具则提供了一个很好的替代方案。


参考资料:

https://arxiv.org/ftp/arxiv/papers/1910/1910.13796.pdf

http://zbigatron.com/has-deep-learning-superseded-traditional-computer-vision-techniques


往期回顾

01

|矩案例 | 基于深度学习的“电子换向器”外观缺陷检测,有效降低产品缺陷

02

|“3·21东航坠机事件”,提醒了我们一件最不能掉以轻心的事……

03

|矩课堂 | 终于有人讲透了什么是机器视觉

04

|条漫| 一文带你看透机器视觉工程师的“酸甜苦辣”!


更多功能正在开发中,最新信息会第一时间在官方公众号进行公布,大家持续关注哦!

【声明】内容源于网络
0
0
矩视智能
1234
内容 312
粉丝 0
矩视智能 1234
总阅读0
粉丝0
内容312