什么是深度学习？它是什么因素？

    检验中的深度学习

    深度学习技术使用包含数千层的神经网络，这些神经网络擅长模仿人类水平的智能，以区分异常，零件和特征，同时容忍复杂模式下的自然变化。通过这种方式，深度学习将人类视觉检查的适应性与计算机系统的速度和鲁棒性融合在一起。

    深度学习教机器如何做对人类自然的事情：以身作则。新的低成本硬件使部署模拟人脑神经元网络的多层“深度”神经网络变得切实可行。这使制造技术具有惊人的新功能，可以识别图像，区分趋势以及做出明智的预测和决策。从初始训练期间开发的核心逻辑开始，深度神经网络可以不断地改善其性能，因为它们会以新的图像，语音和文本呈现。

    那么什么是机器视觉？

    机器视觉是用于提供基于图像的自动检查的技术和方法。这是一个使用视觉计算技术的系统，可以机械地“看到”生产线上一个接一个的活动。自动检查系统的组件通常包括照明，照相机或其他图像获取设备，处理器，软件和输出设备。

    在结构化场景的定量和定性测量中，机器视觉的速度，准确性和可重复性优于人类视觉。机器视觉系统可以轻松评估太小而人眼无法看到的物体细节，并以更高的可靠性和更少的误差对其进行检查。在生产线上，机器视觉系统可以每分钟可靠且重复地检查数百或数千个零件，远远超出了人类的检查能力。

    传统的自动化系统在最小化成本和提高效率的同时，还没有人类所具有的灵活性或容忍度。手工检查员能够区分细微的，外观上的和功能上的缺陷，并且可以解释可能影响感知质量的零件外观变化。尽管人们处理信息的速度受到限制，但是人类具有独特的概念化和概括能力。人类擅长通过实例学习，可以区分各部分之间的轻微异常真正重要的部分。这就引出了一个问题，即在许多情况下，机器视觉如何才能为对复杂的，非结构化的场景（尤其是那些具有细微缺陷和不可预测的缺陷的场景）进行定性解释做出最佳选择。

    为什么机器视觉和深度学习可以在这种情况下携手并进？

    尽管机器视觉系统可以承受因缩放，旋转和姿势变形引起的零件外观变化，但复杂的表面纹理和图像质量问题仍带来了严峻的检查挑战。单凭机器视觉系统就无法评估视觉上非常相似的图像之间存在巨大差异和偏差的可能性。

    基于深度学习的系统非常适合本质上更复杂的视觉检查：以细微但可容忍的方式变化的模式。深度学习擅长解决复杂的表面和外观缺陷，例如旋转，刷过或发亮的零件上的划痕和凹痕。无论是用来定位，阅读，检查或分类感兴趣的特征，基于深度学习的图像分析在概念化和概括零件外观的能力上都与传统的机器视觉有所不同。

    更好的感知

    机器视觉具有非常高的光学分辨率，这取决于用于图像采集的技术和设备。

    与人的视觉相比，机器视觉具有“更广泛”的视觉感知范围，并且能够在光谱的紫外线，X射线和红外区域进行观察。

    更快- 观察和结论都变得非常快，计算机的速度以FLOPs为单位进行测量，并且得出精确的计算结果。

    该系统具有与更高处理速度相关的所有功能以及潜在的无限存储容量。

    可靠— 遵循说明，毫无疑问，该系统无偏且可根据需要进行编程。

    准确— 自动化系统能够以标准化方式测量绝对尺寸。

    不依赖于环境- 这样的系统可以部署在危险和危险的条件下，或者可能被人类冒险的环境中。

    如何开始自动外观检查

    在需求方面，AVI并不需要太多的物理设备。开始自动化外观检查所需的设备可以分为硬件和软件资源。

    硬件

    这些资源由主要设备（例如照相机，光度计，色度计）和可选的辅助设备（例如分级或分选所需的辅助设备）组成，这取决于工业和自动化过程。

    我们本质上是在拍照并分析图像，您只需一台照相机！

    根据所使用的行业，物理设备实际上可以分为三个子系统

    进纸系统：均匀地散布物品并以恒定速度移动它们，以便光学系统可以捕获单个物品的框架。

    光学系统：由专门调整的光源和传感器（通常是数码相机）组成。光学系统捕获被检物品的图像，以便软件可以对其进行处理和分析。

    分离系统：清除有缺陷的项目和/或等级，并根据产品的质量将其分为几类。

    软件

    AVI的主要要求是软件层，其核心是计算机视觉技术，该技术可以帮助检查产品或任何感兴趣的对象是否存在某些零件的缺陷和不存在。

    自动化视觉检查系统的软件部分需要高级图像分析算法和繁重的编程。这些算法处理图像以调整其质量，找到有趣的点和区域，最后根据这些区域中发现的特征进行决策。

    深度学习技术使自动视觉检查系统的性能优于人类或传统机器视觉过程

    由于深度学习模型在解决检查问题方面取得了巨大成功，因此已被证明是该软件不可或缺的一部分。可以在螺栓的数千个图像上对它们进行训练，深度学习算法会逐渐学习以检测与螺栓“标准”外观的任何有意义的偏差。根据您的用例，可以使用一个或多个不同任务（例如对象检测，语义分割和图像分类）来解决您的检查问题。它还可能涉及OCR模型以读取序列号或条形码。

    为了维持高图像处理速度，通常必须在高资源计算机上部署训练有素的深度学习模型。例如，必须有GPU才能实时获取结果。

    在最终的检查模型准确性和性能中，有几个因素起作用-照明条件，要检查的产品数量，要查找的缺陷类型，缺陷/物体的大小，图像的分辨率等。因此，一个自动化的外观检查系统需要一支由熟练的研发工程师组成的团队，他们能够构建这种复杂的系统。

    每个制造单位都有不同且通常唯一的数据（图像），这可能是由于不同的相机类型，室内照明或产品本身。因此，AVI的软件部分始终是为特定检查需求量身定制的定制解决方案。