人工智能开启机器视觉应用新纪元 点击:270 | 回复:0



advantechchina

    
  • [版主]
  • 精华:0帖
  • 求助:0帖
  • 帖子:286帖 | 130回
  • 年度积分:10
  • 历史总积分:1352
  • 注册:2011年2月14日
发表于:2019-09-20 09:17:20
楼主

随着制造业的不断发展,工业4.0、工业物联网(IIoT)等先进的理念和技术正在逐渐向制造业中融合。简单来说,技术的发展,将使未来工业制造生产线的运转,变得更加精准、高效,甚至最终做到无需人工干预的智能化自适应生产,完全将人力资源从生产线中解脱出来。


这无疑是非常美好的愿景。业界也正在为早日实现这一美好愿景而不懈努力。


 ▌ ▌现代制造业的新要求


为了满足工业4.0、工业物联网这样高度自动化的生产环境,对生产线上的设备也提出了更高的要求。它们必须操作精准,响应快速,紧密联网配合。在这样高度自动化的生产流程中,机器视觉技术的部署不必可少。


在工业物联网生产环境中,设备每天承担大量的生产任务。从来料到加工、到产品组装、包装以及物流等各个高度自动化的生产流程,都依赖机器视觉来可靠识别生产过程中的各种对象,帮助系统快速做出正确的响应决策,从而提高生产效率,降低工作流程的复杂度。


机器视觉软件已经变得必不可少,它的工作速度非常快,并在各种生产任务执行中,实现精准可靠的识别率。


机器视觉是现代生产的万能解药吗?


光学字符识别(OCR)是生产线上最为常用的一项关键的机器视觉技术。OCR技术通过拍摄被识别字符的图像、对图像进行特定的算法处理后,将被识别字符与模板库进行比较匹配,以达到字符识别的目的。OCR在产品可追溯性方面非常有用。


在生产线中,最常见的OCR应用就是识别印刷在产品上的各种标记符号,包括各种不同的字体、语言、大小、形状以及颜色的识别,比如识别饮料瓶上的标签印刷是否正确。


然而,在实际生产线中,OCR的表现并非期待得那么完美,也存在着识别错误、拒绝识别、识别速度慢以及稳定性需进一步提升等不足之处。因此,如何提高识别正确率以及更快速的识别,是OCR面临的重要难题。


缺陷检测是机器视觉应用中最为棘手的一类挑战。缺陷检测最大的挑战就在于,它不同于某些已知特征的识别检测,在实际生产过程中,产品中会出现哪些具体的缺陷,有很多时候是不可预测的,例如手机玻璃盖板上的划痕就多种多样。在这种情况下,就很难用传统机器视觉检测中的既定方法,去检测这些随机出现的、不可预知的缺陷。因此,到目前为止,很多缺陷检测的最后一道关口,还是要靠人眼来识别。人工目测仍然在质量控制过程中占据主导。


那么,如何让生产系统能够精准、高效地检测出这些不可预知地缺陷,不再需要人眼的帮助,可以说是当前机器视觉检测领域急需解决的一个最棘手的问题。要解决这类问题,需要机器具备类似于“人脑”的学习能力、以及分析问题和处理问题的能力。


 ▌ ▌人工智能开启机器视觉新纪元


自从三年前一个叫AlphaGo的机器人打败世界围棋冠军以来,人工智能(AI)仿佛一夜爆红,一时间AI开始迅速渗透融入到各种应用领域,开始变革甚至是颠覆着人们的生产和生活。


在巨大的工业制造市场,AI更是当仁不让。正当机器视觉技术在协助制造业向精准、高效并自适应的发展道理上遇到障碍时,应运而生的AI解决方案,可是说是专门来披荆斩棘、开辟一条新道路的。


深度学习作为AI的一个子领域,它能够让生产线上的设备具备自主学习能力,不再是“非常机械地执行既定的条件指令”,而是能像人一样,在实际生产流程中具备分析、判断及推理能力,做到“逢山开路,遇水搭桥”,为打造智能化制造工厂铺平道路。


为传统的机器视觉赋能深度学习能力,系统将具备如下关键能力:


●训练:采集图像数据,并使用现有图像数据在高性能服务器环境中构建目标对象及其属性的模型。

●推理:将经过训练的模型部署在工厂环境中,用于评估并识别新图像中出现的该类模型(例如识别文本或检测缺陷)。

●再训练:如果生产环境发生变化,例如光学、照明或产品规格出现偏差,数据分布可能会发生变化。再训练过程将收集新图像,然后更新模型。


此过程中的每一步都需要专门知识,需要开发人员和精通工厂生产环境的人员联手配合,当然也少不了众多工业自动化厂商和机器视觉厂商,为打造智能制造生产线所做出的努力,研华科技(Advantech)就是其中之一。


 ▌ ▌研华科技的深度学习机器视觉解决方案



研华科技的深度学习机器视觉解决方案,包括训练用的工业服务器(4U机架式GPU服务器SKY-6400,采用Intel Xeon处理器)、带有强大且可扩展边缘推理引擎的加速器(包括智能相机ICAM-7000、模组化工控机MIC-7000/UNO-3000)、以及OpenVino SDK,以最大程度地简化深度学习模型的开发和部署。


7184f7d3246d2926aefd91768abee49.jpg

研华科技的深度学习机器视觉解决方案,提供了涵盖智能相机、工具和计算的端到端解决方案。


作为图像采集核心部件的ICAM-7000系列智能相机,采用英特尔最新多核凌动处理器与Cyclone FPGA,整合500万像素图像采集模块,并且基于英特尔OpenVino深度学习技术。


OpenVino SDK是英特尔专门为了简化深度学习开发而推出的一个工具包,它能帮助开发者把已经训练好的模型部署到目标平台之上进行推理。OpenVINO 的好处之一是,它可以编写一个程序,然后根据工作负载,可以选择在英特尔的各种硬件上运行,例如相同的深度学习模型可以在英特尔至强、凌动、酷睿等处理器上运行。


▌ ▌深度学习助力传统机器视觉实现新突破


96db8ccaa7f8d54925f90772e00b347.jpg

研华科技的深度学习机器视觉解决方案,让任何字符及缺陷清晰可见,一览无遗。


OCR主要用于识别和读取标签、材料、零件和成品上的字母数字文本,这对于确保产品在整个生命周期中的可追溯性至关重要。


而对于OCR系统在识别字体、语言、文本大小和颜色等方面所面临的挑战,研华科技开发的基于深度学习的OCR方案提供了一种新方法。它通过图像标记、训练和推理过程,降低了识别的复杂性,弥补了传统OCR识别中所存在的不足之处。此外,随着不断收集新图像的再训练过程的进行,将会使OCR系统变得更加精准,同时增加系统的自适应性,从而使识别变得更加智能化。


针对缺陷检测这个机器视觉应用中最棘手的应用难题,自动光学检测(AOI)系统可能会出现缺陷的漏判和误判情况。


研华科技开发的基于深度学习的缺陷检测解决方案,可以改进现有的AOI系统。它通过对各种缺陷类型进行训练、推理和再训练这样一个不断积累缺陷类型的过程,使得各种缺陷类型的识别更加精准。凡是经过训练的缺陷模型,再次识别就更快捷、更有效。可以说这是一个训练经验越丰富,就越熟练、越得心应手的工种。


深度学习技术的通用性,加上越来越多的可用数据集和再训练,使得训练模型在识别不同类型的字符和分类不同类型的缺陷时,变得更加稳健、高效。


▌ ▌隆重亮相2019工博会


在9月17日开幕的上海工博会上,研华科技携带其深度学习机器视觉解决方案隆重亮相。展会现场,研华科技展示了这套深度学习解决方案在矿泉水生产线上,用于检测矿泉水瓶标签上的字符、以及标签整体是否存在缺陷及瑕疵的应用案例。


现代生产通常要求产品具有可追溯性,这是生产阶段中经常使用的一种跟踪和控制技术。在此次展会上,研华科技还展示了其深度学习解决方案在产品可追溯性方面的应用,它能对条形码进行解码;能够实时识别在材料、零件、物料箱和成品上的OCR或2D编码,以便跟踪产品质量问题或及时做出各种决策。


346f290b4ce88653359f89302eb5f87.jpg


『 对于这套深度学习机器视觉系统,研华科技机器视觉产品经理孙鸣聪介绍说:“这套融合深度学习技术的机器视觉解决方案,不仅能在OCR和缺陷检测方面,简化流程,提升效率,获得更加精准的检测效果;同时在生产线上最常见的引导、定位等应用中,这套系统也能帮助用户提升生产效率,缩减成本,增强竞争优势。”』


制造业向智能化发展,已经是不可抵挡的必然趋势。在这场浩瀚的产业转型升级之路中,最先搭上先进技术、越早完成智能化生产线部署的厂商,会提早享受效率和成本优势,增强自身竞争力。


研华科技的深度学习机器视觉解决方案,能让用户从更高程度的自动化和智能化精准、高效生产线中获益,尽享效率和成本优势。

想要了解方案详情

可前往上海工博会6.1H-D007

一探究竟~



楼主最近还看过


热门招聘
相关主题

官方公众号

智造工程师