從基本層面來說,機器視覺系統依賴于工業攝像機內受保護的數字傳感器和圖像拍攝專用光學元件。 然后,這些圖像被發送到計算機,使用軟件處理、分析、測量各種特征并做出決定。
但是,在工廠自動化環境中,這些系統的應用范圍非常嚴格和狹窄。 傳統的機器視覺系統在處理一貫制造的零件時可靠地工作。 其分階段篩選使用規則算法比人工檢查更具成本效益。
在一條生產線上,基于規則的機器視覺系統每分鐘可以檢測幾百、上千個零件。 但是,由于這種視覺數據的輸出仍然是程序化的,并根據規則解決檢測問題,因此這種機器的視覺適合如下。
指南:確定零件的位置和方向,將其與規定的公差進行比較,確保處于正確的角度,以準確地驗證組件。 可以確定其他機器視覺工具的零件的重要特征。
識別:條形碼(一維)、數據矩陣代碼)二維)、直接零件標記) DPM )和零件、標簽和封裝上打印的文字。 另外,可以通過顏色、形狀、大小來識別物體。
測量:計算測量對象上兩個或多個點或幾何圖形的位置之間的距離,以確定這些測量是否符合標準。

檢查:查找產品的缺陷和異常,如標簽粘貼是否正確,或者是否有安全封條、蓋子等。
深度學習使用基于示例而不是基于規則的方法來解決某些工廠自動化的難題。 例如,深度學習利用神經網絡,根據一系列標記的例子使計算機學習什么是好圖像后,可以進行缺陷的分析、物體的定位和分類、所打印的標記的讀取。
在實際的APP應用中,這意味著企業可以在電子設備的屏幕上發現劃痕、碎片和其他缺陷。 這些缺陷的大小、范圍、位置不同,畫面上也有可能出現不同的背景。 深度學習可以區分合格零件和缺陷零件之間的差異,同時考慮到這些預期的差異。 另外,在訓練網絡學習新目標時,例如別的屏幕也和拍攝一組新的參考圖像一樣簡單。
因此,深度學習特別適合:
解決規則算法中難以編程的視覺應用問題
處理混淆的背景和零件的外觀差異
維護APP,在工廠重新培訓和學習新圖片
無需對核心網重新編程,即可應對新的示例
深度學習現在用于以前需要手動執行的檢查,如總裝檢查。 這些任務被認為很難實現自動化。 通過深度學習之類的工具,現在可以在生產線上直接使用視覺系統,以更一致、更可靠、更迅速地完成這些任務。
人類雖然分類不同,但擅長相似的東西。 我們能夠理解幾秒鐘的物體組之間的差異。 從這個意義上說,深度學習結合了人類進化的智能和基于規則的傳統機器視覺的一致性、再現性、擴展性這兩個優點。企業要開始工廠自動化之旅,首先必須了解這些差異。 因為了解這些差異是判斷工廠自動化中應該如何選擇彼此的關鍵。
傳統的機器視覺系統在處理一致、精密的零件時確實可以工作,但隨著異常和缺陷庫的增大,算法也變得越來越困難。 換言之,到了特定時期,工廠自動化所需的某些APP將無法依賴基于規則的機器視覺。
復雜的表面紋理和零件外觀的差異給檢測帶來較高難度的挑戰。 在基于規則的機器視覺系統中,很難判斷視覺上相似的部件之間的差異和偏差。 影響零部件用途的“功能”異常是廢棄物的原因,但根據制造商的需求和喜好,外觀可能沒有異常。 問題是,傳統的機器視覺系統很難區分這些缺陷。
在缺陷檢測等以往的機器視覺檢測中,由于有很多機器難以識別的變量,因此照明、顏色變化、曲面、視野等編程困難。
眾所周知,深度學習正在改變工廠的自動化,但它仍然只是操作員完成工作的另一個工具。 傳統的基于規則的機器視覺對特定的工作類型非常有效。 但是,在同時需要人類視覺、計算機速度和可靠性的復雜情況下,深度學習將被證明是真正改變游戲規則的選項。