將機器視覺和深度學習結合起來，將為企業在運營和投資回報(ROI)方面提供強大的手段。因此，抓住傳統機器視覺和深度學習之間的差異，並理解這些技術如何相互補充——而不是競爭或替代——對於實現投資最大化至關重要。
在過去的十年裡，技術的變化和改進是如此之多:設備移動性……大數據……人工智能(AI)……物聯網……機器人……區塊鏈……3D打印……機器視覺……在所有這些領域，創新的東西從研發實驗室出來，改善我們的日常生活。
工程師喜歡採用和調整技術以適應他們艱難的環境和限制。在製造業中，戰略性地規劃採用和利用部分或全部這些技術將至關重要。
讓我們關注人工智能，特別是基於深度學習的圖像分析或基於示例的機器視覺。與傳統的基於規則的機器視覺相結合，它可以幫助機器人裝配者識別正確的部件，幫助檢測產品上的部件是否存在或丟失或裝配不當，並更快地確定這些問題。
什麼是深度學習
在沒有深入細節的情況下，讓我們先了解下GPU硬件。 GPU（圖形處理單元）在單個芯片上收集數千個相對簡單的處理核心。他們的架構看起來像神經網絡。它們允許部署模仿人類大腦的生物學啟發和多層“深層”神經網絡。
圖1：傳統機器視覺和深度學習之間的第一個區別包括：
1.開發過程（基於工具的規則編程與基於實例的培訓）;
2.硬件投資（深度學習需要更多的處理和存儲）;
3.工廠自動化用例。
通過使用這種架構，深度學習允許在沒有明確編程的情況下解決特定任務。換句話說，經典計算機應用程序由人類編程為“任務特定”，但深度學習使用數據（圖像，語音，文本，數字……）並通過神經網絡訓練它。從初始訓練期間開發的主要邏輯開始，深度神經網絡將在接收新數據時不斷改進其性能。
它基於檢測差異：它永久地查找一組數據中的變更和不規則。它對不可預測的缺陷反應敏感，人類天生擅長這一點。基於嚴格編程的計算機系統並不擅長。 （但與生產線上的人工檢查員不同，計算機不會因為不斷進行相同的迭代而感到疲倦。）
在日常生活中，深度學習的典型應用是面部識別（解鎖計算機或識別照片上的人）…推薦引擎（流媒體視頻/音樂服務或在電子商務網站購物時）…電子郵件中的垃圾郵件過濾…疾病診斷…信用卡欺詐識別…
深度學習技術基於訓練數據做出非常精確的輸出。它被用於預測模式、檢測差異和異常，以及做出關鍵的業務決策。同樣的技術現在正在遷移到高級製造實踐中，用於質量檢查和其他基於判斷的用例。。
當針對正確類型的工廠應用實施時，結合機器視覺，深度學習將擴大製造業的利潤（特別是與可能需要數年才能獲得回報的其他新興技術的投資相比）。
深度學習如何拓展機器視覺？
機器視覺系統依賴於放置在帶有特定光學元件的工業相機內的數字傳感器獲取圖像，這些圖像被輸入PC，通過專門的軟件處理，分析，測量各種決策特徵。機器視覺系統可靠、一致且保障製造精良的零件。它們通過逐步過濾和基於規則的算法運行。
在生產線上，基於規則的機器視覺系統可以高精度地每分鐘檢查數百甚至數千個零件。它比人工檢查更具成本效益。可視化數據的輸出是基於解決檢查問題的程序化、基於規則的方法。
在工廠車間，傳統的基於規則的機器視覺非常適合：指導（位置，方向……），識別（條形碼，數據矩陣代碼，標記，字符……），測量（距離與指定值的比較……），檢查（缺陷和其他問題，如缺少安全封條，破損部分……）。
基於規則的機器視覺具有一組已知的變量：是存在還是不存在？這個物體與那個物體究竟有多遠？這個機器人需要在哪裡拿起這個部件？這些作業易於在受控環境中在裝配線上部署。但是當事情不那麼明確時會發生什麼呢？
這就是需要深度學習的地方：
•解決視覺應用程序太難以使用基於規則的算法進行編程。
•處理令人困惑的背景和零件外觀的變化。
•維護應用程序並在工廠車間重新訓練新的圖像數據。
•無需重新編程核心網絡即可適應新的示例。
一個典型的工業例子:尋找電子設備屏幕上的劃痕。這些缺陷在大小、範圍、位置或具有不同背景的屏幕之間都有所不同。考慮到這些變化，深度學習將區分出好的和壞的部分。此外，在一個新的目標上訓練網絡(就像在一個不同的屏幕上)就像拍攝一組新的參考圖片一樣簡單。
圖2。典型的工業實例：尋找在尺寸、範圍、位置或不同背景下的不同表面上的缺陷。
對於傳統的基於規則的機器視覺系統來說，檢測具有複雜表面紋理和外觀變化的視覺相似部件是一個嚴峻的挑戰。影響實用程序的“功能”缺省值幾乎總是被拒絕的，但是“外觀”異常可能不會被拒絕，這取決於製造商的需求和偏好。更重要的是:這些缺陷是傳統機器視覺系統難以區分的。
由於難以分離的多個變量(光照、顏色變化、曲率或視野)，一些缺陷檢測非常難以用傳統的機器視覺系統編程和解決。在這裡，深度學習帶來了其他合適的工具。
簡而言之，傳統的機器視覺系統使用一致且製造精良的零件可靠地執行，隨著異常和缺陷庫的增長，應用程序變得難以編程。對於需要人類視覺以及計算機速度和可靠性的複雜情況，深度學習將被證明是一個真正改變遊戲規則的選擇。
圖3：與傳統機器視覺相比，深度學習是：1。專為難以解決的應用而設計; 2.更易於配置; 3.容忍變化。
深度學習對工業製造的好處
在採用下一代工廠自動化工具時，基於規則的機器視覺和基於深度學習的圖像分析是互補的，而不是非此即彼的選擇。在一些應用程序中，比如測量，基於規則的機器視覺仍然是首選的和經濟有效的選擇。對於涉及廣泛偏差和不可預測缺陷的複雜檢查—在傳統機器視覺系統中，數量太多且複雜到無法編程和維護—基於深度學習的工具提供了一個很好的替代方案。
閱讀更多 菌叔影像 的文章
