受疫情的持續影響，制造業產品環節的人工成本在不斷升高。與此同時，智能制造技術的普及，在這一階段也取得了成果。
機器視覺系統，作為智能制造中重要的一個環節，愈發顯現出其不可替代性。
隨著當前工業制造技術的高速發展，機器視覺技術已經逐步成為工業自動化生產過程中不可或缺的關鍵組成部分。
汽車制造行業，對零部件的一致性和品質要求比較高，對機器視覺技術的依賴程度相對也高，以外觀缺陷檢測為例，傳統的工業視覺需要由人員對機器進行大量的調試，繁復的調試工作不僅需要大量的工時，同時還需要品管人員進行反復的校核，進入產線檢測。而將深度學習與傳統視覺相結合，將極大地優化作業流程。
與傳統視覺一個明顯的區別就是，只要有足夠的數據，深度學習的機器視覺可以極大縮減前期調試工作的時間，只需要將數據輸入給機器，就能由機器完成建模，以及形成對缺陷的認知。
深度學習ViDi套件是首款專為汽車行業設計的基于深度學習的圖像分析軟件。ViDi套件結合了類人類的智能性以及機器視覺的可靠性，非常適用于變形元件的定位、復雜外觀的檢測、分類以及棘手的OCR應用。它提供易于部署的界
面，能夠以自動化方式解決以前難以通過編程解決的檢測挑戰。
活塞環檢測
ViDi紅色-檢查工具能夠簡化帶紋理金屬表面上各種缺陷的自動化檢測和表征
挑戰
活塞的壓縮環在往復式發動機中具有多種功能，包括密封燃燒室和調節油耗。由于活塞的反光金屬表面，壓縮環上的缺陷很難檢測出來?；钊膱A柱形形狀在圖像中的呈現有時很模糊且對焦不準。作為制造過程的一部分，金屬表面紋理的正常變化在預期之中，并且其中一些變化是被允許的，包括銹斑、白色區域以及表面裂紋和裂縫。但一些影響活塞性能和威脅氣缸內壓縮水平的較長劃痕則是真正的缺陷項。檢測系統必須能夠忽略壓縮環表面上的正常變化和無關緊要的異常，同時識別出較長的劃痕缺陷。
解決方案
要將這種復雜的檢測按照基于規則的算法編程，將需要復雜的缺陷數據庫。雖然人工檢測更靈活，但速度太慢。ViDi套件提供一種有效的檢測解決方案，它將人類識別微小變化的能力與自動化系統的可靠性、一致性和速度充分結合在了一起。在監督模式下使用ViDi紅色-檢查工具時，工程師基于一組具有代表性的已知“合格”和“不合格”的壓縮環樣本圖像對基于深度學習的軟件進行訓練。技術人員分別對出現較長劃痕的已知“不合格”樣本圖像以及出現正常變化和可接受缺陷（包括銹斑和較小裂紋）的“合格”樣本圖像進行注釋?；谶@些圖像，iDi套件將學習活塞的自然形態和表面紋理以及劃痕的正常外觀。額外的圖像可以在驗證測試期間添加到訓練圖像組合中，以反映額外的示例，并幫助優化系統。在訓練階段和驗證期間，可以不斷調整參數，直至訓練后的模型正確檢測和分割所有包含較長劃痕的圖像。在使用過程中，由于已經學會了識別和忽略無關緊要的變化，軟件只會將包含較長劃痕的圖像表征為缺陷。
氣缸檢測
ViDi紅色-檢查工具能夠可靠地檢測金屬上的氣孔
挑戰
氣缸是汽車發動機的基礎。大型氣缸是往復式發動機的主要工作元件，當活塞在壓縮作用下進行上下往復動作時，大型氣缸用于將活塞固定住。氣缸通常由鑄造金屬制成，有時帶有襯里或“套管”，并包含潤滑涂層。氣缸壁必須具有耐久性，因為它們會與活塞的壓縮環接觸。
制成氣缸的金屬中可以容許存在較小的不規則性，它們在機械磨損過程中，但金屬中不得包含被稱為“氣孔”的氣泡。這些缺陷的檢測尤其具有挑戰性，這是由于氣缸表面較粗糙，而且由于景深的原因，圖像邊緣周圍將顯得很
模糊。氣缸反光表面上產生的鏡面反射或眩光也會使檢測復雜化。此外，由于需要忽略如此多較小的特征形狀和位置變化，并克服眩光和模糊的影響，因此將很難通過編程來實現自動化檢測。
解決方案
ViDi套件能夠在相同的照明條件下快速識別其他方法難以檢測到的氣孔。工程師可以在數分鐘內基于一組具有代表性的“合格”和“不合格”氣缸樣本圖像對軟件進行訓練，使用膜濾波器調整感興趣區域，以屏蔽軸內背景的明亮圓盤。在監督模式下使用紅色-檢查工具時，技術人員可以對標記為“不合格”的圖像中的氣孔進行注釋，并調整參數，包括特征尺寸、比例尺、縱橫比和剪切模量，以確保參考模型充分考慮各種外觀變化。描繪正常氣缸的“合格”樣本圖像可以幫助軟件學習哪些類型的微小鑄造異常和變化是可接受的。工程師可以重新訓練系統，調整參數和添加額外的圖像，直至參考模型能夠概括氣缸的正常外觀，并識別各種異常。使用過程中，基于深度學習的軟件可以在數毫秒內檢測
完每個圖像，將出現氣孔的元件表征為缺陷元件，并將其余元件表征為正常元件。
焊縫檢測
ViDi紅色-檢查和綠色-分類工具能夠簡化焊縫缺陷的自動化檢測和分類
挑戰
動力系統關鍵部件（如活塞）的復雜表面紋理使傳統的機器視覺難以檢測它們的完整性，康耐視ViDi套件則能夠解決這一問題?；钊暮缚p具有高度的變化，這會導致各種異常很難被區分開來。有些焊接異常是不可接受的，比如焊縫缺失、焊接過度或焊接不充分。其他焊接異常則是可接受的，并且出于安全原因是必要的，比如焊縫重疊。黑色圖像區域會使檢測進一步復雜化?？紤]到許多可能的缺陷和照明挑戰，基于深度學習的圖像分析軟件提供一種簡單而可靠的解決方案來取代傳統機器視覺檢測。
解決方案
有了康耐視ViDi套件后，金屬活塞焊縫的自動化分析將變得簡單。工程師基于一組包含所有焊接異常（包括焊縫重疊）的“不合格”元件圖像和無任何異常的“合格”元件樣本圖像，在監督模式下對軟件及紅色-檢查工具進行訓練。通過這種方式，所有異常都將被識別為缺陷，包括可接受的異常以及導致元件不合格的異常。在檢測的二部分，工程師將使用ViDi綠色-分類工具來按類型對焊縫缺陷進行分類?；谠诒O督模式下開發的模型，軟件將提取特定缺陷的相關信息，并將重疊性焊縫劃分到單獨的類別。通過將紅色-檢查工具與綠色-分類工具結合使用，汽車制造商將可以確保檢測系統識別所有焊縫，并成功將有焊縫重疊的元件分類出來?；谶@些信息，制造商將能夠僅選擇包含有焊縫重疊的元件來使用。
火花塞識別和分類
ViDi藍色-定位和綠色-分類工具能夠基于元件的外觀識別、計數和分類元件，以進行裝備/預裝配驗證
挑戰
對于一些識別、計數和分類應用，當生產環境不支持代碼讀取技術時，制造商必須依靠外觀檢測。細微的外觀變化可能會給自動化檢測系統帶來挑戰?；鸹ㄈ褪沁@種情況?；鸹ㄈǔＶ糜诓煌伾呢洷P上輸送至預裝配工作站。檢測系統必須成功識別、計數和分類不同顏色的火花塞，同時忽略貨盤的背景顏色。然后將這些信息傳輸至視覺引導的機器人進行裝配。
解決方案
ViDi套件能夠基于尺寸、形狀和表面特征歸納火花塞的區別性特征。憑借ViDi藍色-定位工具，工程師可以定位貨盤圖像，對軟件進行訓練，讓其學習識別和計數每個火花塞。ViDi綠色-分類工具使用基于深度學習的模型，按照火花塞的特征（即顏色）來對火花塞進行分類。
安全氣囊檢測
ViDi紅色-檢查工具能夠檢測織物的外觀缺陷
挑戰
安全氣囊必須符合嚴格的質量標準，以確保乘客的安全。汽車制造商必須反復檢查所有對安全至關重要的部件，以確保質量、降低保修成本和減少產品召回責任。這一點對于安全氣囊尤其重要。制造商必須檢測安全氣囊是否存在可能會導致其出現故障的孔洞、裂縫、裂洞、接縫和縫合問題。人工檢測往往容易遺漏或難以檢測出這些類型的質量問題。由于氣囊織物表面的復雜性，傳統的機器視覺系統也難以通過編程來解決這些問題?？椢飯D案可能高度復雜，而且由于織物的可延展性、紗線厚度和無數較小的可接受變化，安全氣囊之間的視覺外觀也存在較大的變化。由于明確地搜尋所有缺陷這種方法太復雜、太耗費時間，康耐視ViDi套件提供一種簡單的解決方案來識別所有異常特征，無需基于“不合格”樣本圖像進行訓練。
解決方案
工程師使用ViDi紅色-檢查工具在非監督模式下基于一組“合格”安全氣囊圖像對軟件進行訓練，以創建安全氣囊的參考模型。該模型可以學習安全氣囊織物的正常外觀，包括編織圖案、織物特性和顏色。所有偏離該模型正常外觀的特征都將被表征為異常。通過這種方式，康耐視ViDi套件能夠可靠且一致地檢測所有異常，比如孔洞、裂縫、裂洞和異?？p合圖案，從而快速識別和報告織物的缺陷區域，無需大量的缺陷數據庫。
內飾件總裝驗證
ViDi紅色-檢查工具能夠辨識干擾背景上元件的存在和位置
挑戰
總裝驗證涉及的各種內飾件具有高度的復雜性，這給傳統機器視覺檢測帶來了挑戰。人工檢測員通常驗證所有元件（比如線帶和金屬外殼）是否存在且裝配是否正確。微弱的照明對比度導致很難確認線帶是否在正確的外殼內。雖然人工檢測員擅長于識別線帶，但速度太慢，效率過于低下?？的鸵昖iDi使用基于深度學習的圖像分析軟件來學習內飾件總裝完成后的外觀，能夠跟人工檢測員一樣準確地識別缺失的線帶，同時還提供自動化系統的速度和可靠性。
解決方案
在監督模式下使用ViDi紅色-檢查工具時，技術人員基于線帶缺失的“不合格”內飾件圖像以及線帶存在的“合格”內飾件圖像對系統進行訓練，以創建完整內飾件的參考模型。通過使用該模型，ViDi套件能夠將線帶缺失的內飾件識別為異常和缺陷，在檢測期間將它們從生產線上剔除。
車輛識別碼（VIN）檢測
ViDi藍色-讀取工具能夠識別變形字符
挑戰
車輛識別碼（“VIN”碼）是一種由多個字符組成的代碼，用作車輛的識別碼。VIN碼包含字母和數字，可能為直接部件標識（DPM碼）、蝕刻或刻繪在金屬板上的代碼或印刷在貼紙上的代碼。汽車制造商必須能夠定位和讀取VIN碼，以實現可追溯性。鏡面反射、油漆顏色和眩光導致傳統的機器視覺系統難以定位和識別字符。檢測系統必須克服反光表面給成像帶來的挑戰，以成功讀取字符。
解決方案
有了ViDi藍色-讀取工具后，即使面臨成像挑戰，現在也能夠輕松定位和讀取變形字符。訓練軟件時，工程師可以在包含一組具有代表性的VIN碼字符的圖像上確定感興趣區域。即使字符因眩光和對比度低而變得模糊，藍色-讀取工具的預訓練全向字體讀取功能也能夠識別字符。在訓練和驗證期間，技術人員僅重新標記遺漏的字符，直至軟件的模型正確識別所有字符。這種基于深度學習的新型OCR方法在訓練和開發期間可以減少過度標記，并成功讀取噪音嚴重背景上的字符，從而節省時間。
總體而言，深度學習是機器視覺的一種延伸。企業向智能工廠的轉變推動了機器視覺的發展。而對檢測提出更高的要求，加上如今GPU技術的發展，讓深度學習有了用武之地。需要注意的是，傳統機器視覺與深度學習是互補而非替代的關系，深度學習的出現，也意味著新的財富密碼。
