機器視覺是工業(yè)4.0，即工業(yè)物聯(lián)網(wǎng)背景下高度自動化和無縫聯(lián)網(wǎng)過程的關鍵技術。使用諸如深度學習之類的新的人工智能過程變得越來越重要。許多好處使這項技術具有吸引力，但同時它也有局限性。

工業(yè)生產(chǎn)的自動化正在迅速發(fā)展。完全網(wǎng)絡化和數(shù)字化的流程鏈在生產(chǎn)車間早已司空見慣。在工業(yè)4.0和智能工廠中，所有涉及的組件——包括機器、機器人、傳輸和處理系統(tǒng)、傳感器和圖像采集設備——一起工作，彼此無縫通信。機器人領域也出現(xiàn)了一種新趨勢:小型、緊湊的移動機器人，即協(xié)作機器人(collaborative robots, cobots)正在加入生產(chǎn)流程，并經(jīng)常與人類同事密切合作。cobots的最大好處是，它們可以快速地重新裝備，并且只需很少的工作，這使得靈活地使用它們來完成不同的生產(chǎn)任務成為可能。

伴隨并支持整個價值創(chuàng)建過程的互補技術在這些高度自動化的場景中扮演著重要的角色。這些包括，例如，可編程邏輯控制器(plc)和機器視覺。后者作為“生產(chǎn)之眼”實時觀察和監(jiān)控生產(chǎn)過程。圖像采集設備，如相機、掃描儀和3D傳感器，被放置在多個位置，并從不同的角度記錄過程。生成的數(shù)字圖像數(shù)據(jù)通過集成的機器視覺軟件進行處理，可用于處理鏈中的各種任務。例如，可以根據(jù)光學特性可靠地檢測目標并精確定位。該技術還可以檢測產(chǎn)品的制造故障，從而自動排除故障，從而優(yōu)化質量保證流程。

基于卷積神經(jīng)網(wǎng)絡(CNNs)架構的深度學習

越來越多的先進人工智能（AI）技術被納入機器視覺系統(tǒng)。其中一項技術是基于卷積神經(jīng)網(wǎng)絡（CNN）體系結構的深度學習。大量的數(shù)字圖像信息用于廣泛的培訓過程。基于這些數(shù)據(jù)，軟件可以獨立地對新對象進行分類。在訓練過程中，自動學習特定對象類的特征。因此，新的圖像數(shù)據(jù)可以精確地分配給它們的特定類別，從而產(chǎn)生非常高和強大的識別率。這些深度學習算法也適用于精確目標 定位 和缺陷識別。

機器視覺是“生產(chǎn)之眼”

深度學習技術注定要在機器視覺應用程序的某些領域使用。這些主要包括分類、對象檢測和語義分割。這就是智能算法的優(yōu)勢所在。然而，在其他機器視覺應用中，深度學習的適用性有一定的局限性。由于需要分析大量的數(shù)據(jù)，訓練過程通常需要非常大的計算能力和適當尺寸的硬件。特別是在時間非常關鍵的應用程序中，標準CPU通常是不夠的。不適用于高速應用程序，例如高精度測量任務和具有毫米或微米精度的目標定位。在這種情況下，深度學習算法在一個標準CPU上需要50到100毫秒。然而，這種精確定位只需要幾毫秒。這里需要的是一個功能強大的GPU， 通常 GPU是不適用于工業(yè)用途的硬件。

深度學習并非適用于所有應用

在工業(yè)應用中，深度學習也不是最佳選擇，例如在電子和半導體工業(yè)中，要檢測或識別的對象與實際情況非常相似。由于這些組件通常具有非常相似的外觀，因此使用傳統(tǒng)機器視覺方法進行培訓只需要幾個示例圖像。在許多情況下，即使是單個圖像也足以可靠地檢測到對象并精確定位它們。然而，只有當每個對象至少有100個訓練圖像可用時，使用深度學習算法才有意義。因此，使用常規(guī)方法（如基于規(guī)則的軟件技術）可以更好地解決機器視覺任務，其中要識別的對象非常相似。特別是對于讀取數(shù)據(jù)代碼和條形碼，采用啟發(fā)式算法而不是深度學習算法。對目標的度量，如亞像素精確輪廓提取，也依賴于啟發(fā)式算法。

深度學習可以提高識別率

然而，在深度學習能夠帶來全部好處的應用中，必須考慮某些挑戰(zhàn)。深度學習是一種相對較新的技術，市場對其提供的通用標準很少。此外，深度學習的整體處理非常復雜，需要深入的知識以及在人工智能、編程和機器視覺領域的多年經(jīng)驗。這通常超出了一般公司的能力，因為他們缺乏必要的專業(yè)人才。

通過預先培訓的深度學習網(wǎng)絡減少工作量

然而，有些公司可以通過合理的努力從深度學習中獲益。例如，他們可以利用預先培訓的深度學習網(wǎng)絡。為此，市場上提供了許多免費的開源解決方案。不過，使用它們還是有一些陷阱。例如，可能會出現(xiàn)許可證問題。通常需要幾十萬個樣本圖像來精確識別物體。之所以需要如此多的特征，是因為許多不同的特征，如顏色、形狀、紋理和表面結構，對識別過程至關重要。在選擇如此大量的圖像時，確保它們不受開源產(chǎn)品很少保證的第三方權利的約束是很重要的。

使用開源工具的另一個挑戰(zhàn)是，它們通常只單獨執(zhí)行某些機器視覺任務，很難集成到其他應用程序或現(xiàn)有框架中。典型的機器視覺問題通常涉及幾個步驟。首先，必須將來自圖像采集設備的數(shù)字圖像數(shù)據(jù)提供給特定應用程序。然后在第二個步驟中對數(shù)據(jù)進行預處理，在該步驟中，圖像被優(yōu)化定向以將對象放置在所需的位置。最后，處理后的數(shù)據(jù)被集成到其他解決方案中，例如PLC，這樣就可以無縫地將結果用于其他流程步驟。這就是開源系統(tǒng)達到其極限的地方。

標準專有軟件有很多優(yōu)點

已經(jīng)擁有預先培訓的網(wǎng)絡的專有標準軟件解決方案是機器視覺的更實用的選擇。這些解決方案包括配備培訓深度學習網(wǎng)絡的所有重要功能的軟件?；谄鋸V泛的功能和專門配置的工具，它可以最佳地集成到其他應用程序中。該解決方案包括多個網(wǎng)絡，這些網(wǎng)絡已根據(jù)工業(yè)環(huán)境中大約一百萬個精心挑選的免許可證圖像進行了預先培訓。公司只需要一些額外的圖像就可以根據(jù)自己的特定應用定制網(wǎng)絡培訓流程。這大大減少了培訓工作，節(jié)省了資金，并避免了與圖像權利相關的風險。

通過深度學習，可以精確地檢測物體。圖像來源：MVTec Software GmbH

使用開源工具是另一個挑戰(zhàn)。深度學習應用程序通常包含數(shù)十萬行編程代碼。要正確操作，此代碼必須滿足某些質量標準。使用一個未知社區(qū)開發(fā)的開源代碼會在這方面產(chǎn)生一定的風險。為了安全起見，公司需要在內部檢查代碼以確定其質量。由于大量的代碼，這項任務非常勞動密集，并且產(chǎn)生了幾乎無法計算的成本。然而，使用專有的商業(yè)解決方案，公司可以從高質量、經(jīng)過測試和安全的代碼中獲益。如果需要支持的話，專業(yè)顧問和專家是可以利用的，這在開放的社區(qū)中是不可指望的。

結論

在數(shù)字化時代和工業(yè)物聯(lián)網(wǎng)時代，機器視覺是高度自動化和網(wǎng)絡化生產(chǎn)過程中不可或缺的伴隨技術。基于AI的技術，如深度學習和CNN，是這些機器視覺解決方案的重要組成部分。但是，請務必記住它們僅適用于某些應用程序。公司還應該仔細考慮開源系統(tǒng)是否足以滿足他們的要求，或者是否值得花時間投資商業(yè)的專有軟件解決方案。