爬坡过坎机器视觉进入关键阶段
在工业制造领域,工业品质量检测是机器视觉的重要应用场景之一。例如,在电子行业,能够对半导体芯片、LED、PCB板、显示器等电子产品进行产品缺陷、表面划伤、线路错位等问题的质量监控和检测;在机加工行业,可以对汽车轴承及其他零配件进行表面划痕、刮蹭或者毛刺等问题的检测和识别……
长期以来,像电子、汽车、机械等高端精密制造领域,质检环节往往成为工厂智能化建设的短板。受产品检测复杂度以及机器视觉技术应用难度的影响,大量质检工作还停留在人工目检的阶段。与基于机器视觉技术的质量检测相比,人工检测的准确性更依赖于工人的状态和熟练程度,不仅操作效率低,用工成本也更高。
IBM可持续发展软件开发总监唐鹏表示,随着市场竞争的加剧,工业企业对于提升产品良率的需求极为迫切。利用机器视觉技术实现自动化检测已经成为这些企业的重要选择,不仅可以提高产品检测效率和质量,还能帮助企业实现从低端质检向高端智检的转变。
据相关机构数据统计,年我国机器视觉市场规模突破亿元,预计到年将达到亿元,年复合增长率超过30%。不过,随着机器视觉技术研发的深入和市场规模的扩大,机器视觉也进入了爬坡过坎的关键阶段,其行业应用将面临多重挑战。
机器视觉是集成技术需多环节同步提升云从科技联合创始人、广东公司总经理姚志强表示,工业生产过程中的高精度化、高自动化对机器视觉检测系统的数据存储和传输都提出了更高的要求。一般来讲,进行识别的步骤主要由图像采集、检测、规整、提取、匹配、识别等一系列环节组成,每个环节都由不同的算法模块构成,要保质保量的完成这一流程,就需要保证每个模块足够优秀和稳定。
云从科技联合创始人、广东公司总经理姚志强
此外,唐鹏根据自身技术研发和行业实践的经验也提出了影响机器视觉深入应用的几大因素:
一是,样本数据采集困难导致训练集不足。要想可靠地识别和检测物体,首先需要大量的训练图像,用于训练的图像数据量越多,检测效率和准确性就越高,而数据集过小就会造成模型对未知数据的识别能力变差。
二是,不同产品间的集成整合难度高。工业机器视觉是软硬件一体化的集成系统,涉及摄像头、图像处理算法、应用软件等软硬件产品。不同规格标准、不同接口协议的产品充斥其中,导致产品间的集成整合难度高,为机器视觉的普及应用带来极大挑战。
三是,工业环境和需求的复杂性提升检测难度。在工业生产环境中,机器视觉检测系统的主要功能是物体的识别、定位、尺寸测量和外观检测等。在这一过程中,环境光、震动、烟尘等因素会影响视觉检测系统信息获取的准确性。
四是,投入产出比问题让企业应用更谨慎。深度学习架构复杂精巧、功能强大,运行深度学习的应用程序需要依靠大量的计算能力,这就要求工业企业加大在软硬件方面的投入力度,从而不可避免的带来成本方面的压力。
适应性更强的机器视觉成为首选唐鹏表示,在工业质检方面,从传统的机器视觉检测系统向基于深度学习的机器视觉检测系统转变,使得检测效率和质量都有明显提升。“传统的机器视觉检测系统主要通过图像算法提取特征,然后通过特征规则和标准来区分和检测物品。与传统机器视觉相比,基于深度学习的机器视觉检测系统的适应性更强。因为其主要依靠数据标注及训练进行特征的自动提取和筛选。”唐鹏如此说道。
IBM可持续发展软件开发总监唐鹏
也就是说,借助基于深度学习的机器视觉检测系统,你不再需要手动决定采用哪种传统机器视觉技术来描述特征,“机器”会为你做好这一切。例如,当做酒品外包装瑕疵检测时,基于传统的机器视觉技术,面对不同的光照条件,不标准的拍照系统以及多类型的样品,只有进行大量的定制开发和参数调整,才能尽可能达到检测要求。而基于深度学习的机器视觉技术,面对不同光照条件或者拍照环境,通过样品图片信息的收集,并进行统一标注和训练,就能实现自动化的特征提取和筛选,从而完成智能化检测和识别工作。
然而,随着深度学习的崛起及应用,是否意味着传统机器视觉检测系统会就此没落?在唐鹏看来,在定量性分析方面,基于规则的机器视觉检测系统仍然是经济有效的选择。对于涉及广泛偏差和不可预测缺陷的复杂检查环境,基于深度学习的机器视觉检测系统则提供了一个很好的替代方案。不过,两者之间并不是非此即彼的关系,在特定条件下,两者之间的互补和结合将会发挥更好地作用。
在笔者看来,虽然基于深度学习的机器视觉检测系统在识别能力,算法适应能力和特征提取和分类上拥有明显优势,但从目前来看其应用成本和对软硬件的要求也更高,从而影响在工业领域的应用普及。为此,需要加快打造软硬件一体化解决方案,实现产品间的集成整合,降低应用成本。除此之外,还应该
转载请注明:http://www.abuoumao.com/hytd/9814.html