致力于实现工业自动化和智能化

机器视觉与机器人视觉系统研发制造商

全国服务热线:

18682148769

推荐产品

联系我们

深圳凌谊智视科技有限公司

手机18682148769(微信)

电话18924598769

邮箱qiutao_lyzs@163.com

地址深圳市龙岗区横坪公路136号奂泰恒工业园C栋203

行业资讯 首页 >> 新闻资讯 >> 行业资讯

如何增强机器视觉检测检测和分类的正确率
发表时间:2020-06-28

开发人员越来越多地应用深度学习和人工神经网络来改进对象检测和分类的正确率。


工业自动化需求日益增长

数字化对工业生产有着坚定的把握,作为工业物联网(IIoT)的一部分,流程越来越自动化。在IIoT,也称为工业4.0,各种机器和机器人承担更多的日常生产任务。例如,在装配中,新的,紧凑的和移动的机器人,例如协作机器人(cobots),经常协助其他机器人工作。

IIoT高度自动化和通用联网的生产流程,以机器对机器的交互为特征,依赖于机器视觉可靠地识别工艺链的各种物品。机器视觉提高了这些工作流程的运行效率和安全性,并已成为自动化和加速生产不可或缺的环节。

如今,创新的机器学习和深度学习过程可以确保更强大的识别率。由于人工智能的进步,公司可以从更高程度的自动化,更高的生产效率,更可靠的识别,以及更广泛的识别对象中受益。

作为“生产之眼”,机器视觉软件已经成为该技术的基本要素,处理非结构化数据,例如数码图像和视频,仅通过其外部光学特征来识别物体。这种软件工作速度非常快,并且可以实现极高且可靠的识别率,因此可以在各行各业中用于各种任务,例如故障检查,工件定位和物体识别。

分析和评估大型数据集

为了使识别过程更加稳健并且能够灵活适应网络化IIoT过程的要求,机器视觉软件开发人员开始使用人工智能(AI)领域的方法。深度学习是机器学习领域的一个方法,它使计算机能够通过卷积神经网络(CNN)等体系结构进行培训和学习。

人工智能,机器学习和深度学习技术的特殊属性使它们能全面分析和评估大量数据,以便训练许多不同的类,从而更有效地区分对象。这些数据越来越多地在IIoT内被创建。主要来源于数字图像信息,传感器,扫描仪和其他过程组件。

 

诸如来自人工智能(AI)领域的深度学习技术和卷积神经网络(CNN)等方法正在进入机器视觉,以帮助图像处理系统学习和区分缺陷并使识别过程更加精确。

为了使用深度学习,必须首先训练CNN(卷积神经网络)。该训练过程涉及对象的典型外部特征,例如颜色,形状,纹理和表面结构。基于这些属性将对象划分为不同的类,以便稍后更精确地分配它们。


通过分类训练对象

培训过程如何正常工作?用户首先提供已经提供标签的图像数据。每个标签对应一个标签,指示特定对象的标识。系统分析该数据,并在此基础上创建或“训练”待识别对象的相应模型。

得到训练完的模型之后,我们在提供未知的图片给模型,那么模型就会把新的图片进行分类,并提供百分比的可信度。

因此,对于每个单独的对象,不再需要用于直接比较的样本图像。毕竟,深度学习过程能够独立学习新事物。通过考虑所有图像数据的特征,可以得出关于某一类的属性的结论,这显着提高了识别率。这个过程称为“推理”。


避免过多的训练时间

有些公司通常不愿意使用基于AI的技术,例如深度学习,因为训练过程通常需要许多样本图像来识别对象。

每个类别可能需要多达100,000个比较图像,以便获得足够的识别率。即使有必要的样本数据,训练过程也会花费大量时间。

但是一些增对工业领域开发的深度学习软件,例如HALCON,VIDI。他们针对训练速度进行了优化,而且使用了针对工业的训练模型,因此,训练过程仅需客户提供少量的样本图像,就可以产生可以精确匹配客户特定要求的神经网络。训练的时间可能只需几分钟。


有效地检测缺陷

识别缺陷是一个耗时的过程,因为缺陷的出现,例如电子部件上的微小划痕,无法预先准确描述。因此,基于样本图像手动开发能够检测任何可想到的故障的合适算法是非常困难的。专家必须手动查看数十万个图像,并根据他的观察结果编写一个尽可能精确地描述误差的算法。这只需要太长时间。

另一方面,深度学习技术和CNN可以独立地学习缺陷的某些特征,并精确定义相应的问题类。因此,每个类别只需要500个样本图像,技术可以根据这些图像进行训练,验证,从而精确地检测不同类型的缺陷。

这个过程只需要几个小时。它不仅最大限度地减少了所需的时间,而且识别率也比较准确。因此,自学习算法有助于显着减少识别错误。

并且如果检测要求有所变化的情况下,不需要去修改程序,只需要从新训练模型,就可重新使用,对于不同批次的工业产品,和不同客户要求的同种产品非常适用。