機器視覺火了三大問題如何解決？

1、機器視覺火了，三大問題如何解決？是人工智能的一個分支，容易來說，就是用機器代替人眼來做測試和推斷。運用機器視覺可以提高生產(chǎn)的靈便性和程度，目前隨著核心技術(shù)的不斷完美，機器視覺下游應用場景不斷拓展，包括消費、汽車、虛擬現(xiàn)實、智能安防、健康醫(yī)療等。與人類視覺相比，機器視覺功能范圍不僅包括對信息的接受，同時還延長至對信息的處理與推斷，整體包括相機、鏡頭、視覺控制器、圖像處理、算法平臺等。一個典型的機器視覺應用系統(tǒng)包括圖像捕獲模塊、圖像數(shù)字化模塊、圖像處理模塊、決策模塊、機械控制執(zhí)行模塊以及光源系統(tǒng)等。機器視覺在實際應用中，還存在無數(shù)問題，比如缺陷樣本太少怎么辦，面向未知缺陷混入有沒有更好的解決計劃等

2、等。在2019年10月10日的機器視覺研討會上，機器視覺領(lǐng)域?qū)I(yè)人士就機器視覺的工作流程詳情、實際項目中碰到的問題及解決計劃等做了具體共享和解讀。機器視覺是如何工作的？機器視覺的工作過程離不開深度學習，深度學習是機器學習討論中的一個新領(lǐng)域，其動機在于建立、模擬人腦舉行分析學習的，它仿照人腦的機制來說明數(shù)據(jù)，例像、聲音和文本，深度學習的概念源于人工智能神經(jīng)網(wǎng)絡的討論。深度學習的工作流程大致可概括為標注、訓練和推理。首先，人工收集和采集圖像，標注特征，形成數(shù)據(jù)；然后，將這些數(shù)據(jù)喂給計算機，讓計算機舉行訓練，生成網(wǎng)絡舉行評估，假如這個網(wǎng)絡的性能符合要求，就可以上線，實現(xiàn)檢測。網(wǎng)絡在上線之后，會產(chǎn)生大

3、量的數(shù)據(jù)，這些數(shù)據(jù)又可以變成新的樣本，通過加入數(shù)據(jù)，舉行迭代優(yōu)化，讓網(wǎng)絡和檢測系統(tǒng)越來越好。在深度學習的過程中，建立一個高質(zhì)量的訓練數(shù)據(jù)集十分關(guān)鍵。高質(zhì)量訓練數(shù)據(jù)集對于勝利部署深度學習解決計劃至關(guān)重要，邊緣狀況或者標志不當?shù)臄?shù)據(jù)集會使網(wǎng)絡混亂，而標志良好、內(nèi)部全都的數(shù)據(jù)集的效果會更佳，訓練圖像必需在其所代表的類別中具備典型，訓練圖像樣式必需盡量貼近系統(tǒng)部署時會碰到的圖像。深度學習對于機器視覺的應用大致可以分成三種，一是分類，即可以將產(chǎn)品分為合格和不合格，這是深度學習最大的一個應用；二是定位，即協(xié)助用法者定位物體的位置和數(shù)量；三是分割，即可以找到缺陷的輪廓，基于缺陷的輪廓和大小，對產(chǎn)品舉行更精細

4、的判別。相對于傳統(tǒng)機器學習，深度學習對于機器視覺的作用更顯著，研華（中國）有限公司智能設備事業(yè)部資深產(chǎn)品經(jīng)理孫鳴聰認為，在某些方面，深度學習視覺解決計劃會比傳統(tǒng)機器視覺解決計劃更具優(yōu)勢，前者可以分析無邏輯圖像，精確度高，后者無法分析無邏輯圖像，精確度低。在應對無邏輯圖像方面，深度學習機器視覺解決計劃，即使圖像復雜，通過深度學習算法，軟件可以自動學習瑕疵的特征，使得無邏輯圖像的分析變得可能；而傳統(tǒng)機器視覺解決計劃，當圖像不規(guī)章、無邏輯時，缺陷的特征很難通過手動設定，無法分析圖像。在精確度方面，深度學習機器視覺解決計劃，可通過深度學習算法和創(chuàng)造業(yè)特有的數(shù)據(jù)提高檢測的精確度；傳統(tǒng)機器視覺解決計劃，假

5、如缺陷部分和之前設定好的缺陷有輕微的出入，傳統(tǒng)視覺都無法檢測出這樣的缺陷，導致檢測的精確度低。雖然深度學習在無數(shù)方面具有優(yōu)勢，不過也并不是全部任務都適用。flir systems,inc.現(xiàn)場應用工程師王重普指出，深度學習可以為強主觀性或定性問題提供很便利的解決辦法，主觀性問題或由多種條件復雜的互相作用而得出答案的問題是較為抱負的應用。但是，深度學習并非有益于全部任務，他認為，許多基本的檢驗任務適合通過傳統(tǒng)機器視覺技術(shù)來完成，比如存在或缺少可清楚界定的特征、測量和對位。實際應用中存在哪些問題？雖然，機器視覺在實際應用中存在無數(shù)問題需要改進和優(yōu)化。在研討會上，中國大恒（集團）有限公司北京圖像視覺

6、技術(shù)分公司資深解決計劃工程師李東平共享了他們在項目中碰到的幾個問題以及解決計劃，這幾個問題分離是，一、缺陷樣本太少，二、標注工作量過大，三、混入未知缺陷。一、缺陷樣本太少的問題，比如iwatch，由于蘋果的產(chǎn)品品控十分高、良品率高、缺陷量很少，它能提供的缺陷樣品就十分少，這樣就沒有足夠多的缺陷數(shù)據(jù)可以舉行訓練。二、標注工作量大的問題，對于缺陷檢測和分割來說，標注的時候需要把缺陷都描出來，假如對于圖像籠罩比較大，缺陷比較多的話，工作量就比較大。三、混入未知缺陷的問題，在生產(chǎn)過程中已經(jīng)知道了幾種缺陷，但是不知道未來會浮現(xiàn)哪些缺陷，比如生產(chǎn)過程，驟然混入異物、其他料，事先不知道會混入什么料，沒有舉行

7、訓練，機器就檢測不出來，會將不合格產(chǎn)品作為合格產(chǎn)品輸出。面向這些問題，大恒圖像嘗試讓機器只學習好的樣本，沒有壞的樣本，由于只學習好的樣本，就不需要標注，只需要少量好的樣本。假如給機器輸入一張不好的，它就會給出缺陷的區(qū)域，由于只訓練好的樣品，任何缺陷都可以檢測出來，而且運行過程也會很快。對于混入未知缺陷的問題，廣東奧普特科技股份有限公司總監(jiān)賀珍真認為，將傳統(tǒng)機器學習和深度學習搭配用法也是一種可行計劃。在他看來，傳統(tǒng)機器學習和深度學習各具優(yōu)劣勢，外觀檢測有一種狀況，可以看出對照度十分高，用傳統(tǒng)辦法處理，會十分的穩(wěn)定和迅速。而深度學習對瑕疵分類則會更有優(yōu)勢，比如客戶需要分出缺陷種類，他們用傳統(tǒng)辦法花了兩個月時光調(diào)好之后，假如換另外一種物料，又得重新調(diào)，這種狀況便適合用法深度學習。然而對于沒有舉行訓練的缺陷浮現(xiàn)，深度學習就沒有方法檢測出來。假如生產(chǎn)的過程中浮現(xiàn)這種狀況，奧普特嘗試用傳統(tǒng)的辦法和深度學習一起應用，傳統(tǒng)的辦法解決傳統(tǒng)的、迅速的問題，甚至把合格品分出來，再用深度工具去做一些瑕疵的分類。總結(jié)隨著智能化水平不斷提高，機器視覺已經(jīng)進入高速進展期，中國機器視覺市場需求也將不斷增長，報