机器视觉在实际应用中存在哪些问题?

日期:2019-11-01 16:20 人气:
      机器视觉是人工智能的一个分支,简单来说,就是用机器代替人眼来做测试和判断。运用机器视觉可以提高生产的灵活性和自动化程度,目前随着核心技术的不断完善,机器视觉下游应用场景不断拓展,包括消费电子、汽车、半导体、虚拟现实、智能安防、健康医疗等。
 
      与人类视觉相比,机器视觉功能范围不仅包括对信息的接受,同时还延伸至对信息的处理与判断,整体包括相机、镜头、视觉控制器、图像处理、传感器、算法平台等。一个典型的机器视觉应用系统包括图像捕捉模块、图像数字化模块、图像处理模块、决策模块、机械控制执行模块以及光源系统等。
 
      机器视觉在实际应用中,还存在很多问题,比如缺陷样本太少怎么办,面对未知缺陷混入有没有更好的解决方案等等。在2019年10月10日的机器视觉研讨会上,机器视觉领域专业人士就机器视觉的工作流程细节、实际项目中遇到的问题及解决方案等做了详细分享和解读。
 
▲锡膏缺陷检测图
      在研讨会上,盈泰德(深圳)科技有限公司资深解决方案工程师刘鹏分享了他们在项目中遇到的几个问题以及解决方案,这几个问题分别是,一、缺陷样本太少,二、标注工作量过大,三、混入未知缺陷。
 
      一、缺陷样本太少的问题,比如iWatch,因为苹果的产品品控非常高、良品率高、缺陷量很少,它能提供的缺陷样品就非常少,这样就没有足够多的缺陷数据可以进行训练。
 
      二、标注工作量大的问题,对于缺陷检测和分割来说,标注的时候需要把缺陷都描出来,如果对于图像覆盖比较大,缺陷比较多的话,工作量就比较大。
 
      三、混入未知缺陷的问题,在生产过程中已经知道了几种缺陷,但是不知道将来会出现哪些缺陷,比如生产过程,突然混入异物、其他料,事先不知道会混入什么料,没有进行训练,机器就检测不出来,会将不合格产品作为合格产品输出。
 
      面对这些问题,盈泰德科技尝试让机器只学习好的样本,没有坏的样本,因为只学习好的样本,就不需要标注,只需要少量好的样本。如果给机器输入一张不好的图片,它就会给出缺陷的区域,因为只训练好的样品,任何缺陷都可以检测出来,而且运行过程也会很快。

      对于混入未知缺陷的问题,广东瑞视特科技有限公司总监赵瑞真认为,将传统机器学习和深度学习搭配使用也是一种可行方案。在他看来,传统机器学习和深度学习各具优劣势,外观检测有一种情况,可以看出对比度非常高,用传统方法处理,会非常的稳定和快速。
 
      而深度学习对瑕疵分类则会更有优势,比如客户需要分出缺陷种类,他们用传统方法花了两个月时间调好之后,如果换另外一种物料,又得重新调,这种情况便适合使用深度学习。然而对于没有进行训练的缺陷出现,深度学习就没有办法检测出来。如果生产的过程中出现这种情况,盈泰德尝试用传统的方法和深度学习一起应用,传统的方法解决传统的、快速的问题,甚至把合格品分出来,再用深度工具去做一些瑕疵的分类。

      盈泰德科技是一家基于机器视觉及数字图像处理技术的中国领先的平台开发商、机器视觉系统、设备、分销商以及服务提供商。我们经过多年的技术积累,掌握了数字成像领域的核心技术、在不断创新的基础上推出了适合不同客户群体应用的视频图像采集产品和设备全方面解决方案。借此机会,瑞视特觉真诚邀请各界人士莅临参观洽谈!www.086vc.com




推荐阅读