維視智造-人工智能行業(yè)：2022年AI工業(yè)視覺(jué)解決方案白皮書(shū)

2022AIINDUSTRIALVISIONSOLUTIONSCOPYRIGHT本白皮書(shū)出品方為維視智造科技股份有限公司，版權(quán)受法律保護(hù)。轉(zhuǎn)載、摘編CONTENTS3.1.1額外的硬件3.1.2發(fā)熱量和功耗3.1.3大量的訓(xùn)練數(shù)據(jù)4.2.1數(shù)據(jù)收集274.2.2分類及數(shù)據(jù)標(biāo)記4.2.3模型訓(xùn)練4.2.4在線推理及優(yōu)化4.3.1缺陷檢測(cè)344.3.2圖像分類4.3.3字符識(shí)別4.3.4深度學(xué)習(xí)與傳統(tǒng)算法的融合5工業(yè)視覺(jué)技術(shù)概述工業(yè)視覺(jué)也稱機(jī)器視覺(jué)，是人工智能正在快速發(fā)展的一個(gè)分支，是在工業(yè)上為自動(dòng)檢查、過(guò)程控制和機(jī)器人引導(dǎo)等應(yīng)用提供基于圖像的自動(dòng)檢查和分析的技術(shù)及方法。機(jī)送給專用的圖像處理系統(tǒng)，得到被攝目標(biāo)的形態(tài)信息，根據(jù)像素分布和亮度、顏色等如果我們將1969年CCD芯片的產(chǎn)生作為機(jī)器視覺(jué)技術(shù)的起點(diǎn)，該項(xiàng)技術(shù)的發(fā)展已經(jīng)有半個(gè)世紀(jì)的歷史，經(jīng)過(guò)長(zhǎng)時(shí)間的發(fā)展，機(jī)器視覺(jué)技術(shù)日益取得重大突破和廣泛應(yīng)用，當(dāng)前已經(jīng)遍布工業(yè)生產(chǎn)的各個(gè)環(huán)節(jié)，在一些不適合于人工作業(yè)的危險(xiǎn)工作環(huán)境或人工視覺(jué)難以滿足要求的場(chǎng)合，常用機(jī)器視覺(jué)來(lái)替代人工視覺(jué)；同時(shí)在大批量工業(yè)生產(chǎn)過(guò)程中，用人工視覺(jué)檢查產(chǎn)品質(zhì)量效率低且精度不高，用機(jī)器視覺(jué)檢測(cè)方法可以大大提高生產(chǎn)效率和生產(chǎn)的自動(dòng)化程度。而且機(jī)器視覺(jué)易于實(shí)現(xiàn)自動(dòng)化集成，軟件集成，是實(shí)現(xiàn)智能制造的基礎(chǔ)技術(shù)。根據(jù)不完全統(tǒng)計(jì)，目前廣泛應(yīng)用工業(yè)視覺(jué)的工業(yè)生產(chǎn)行業(yè)6工業(yè)視覺(jué)典型應(yīng)用場(chǎng)景機(jī)器視覺(jué)在工業(yè)領(lǐng)域應(yīng)用廣泛，按功能和場(chǎng)景主要分為四大類：識(shí)別、定位、測(cè)量、識(shí)別包括有無(wú)、顏色和條碼/二維碼識(shí)別，主要通過(guò)甄別目標(biāo)物體的物體特征來(lái)進(jìn)行判定位功能是在識(shí)別出物體的基礎(chǔ)上，經(jīng)過(guò)測(cè)量準(zhǔn)確的給出目標(biāo)物體的坐標(biāo)位置，制造業(yè)自動(dòng)生產(chǎn)裝配過(guò)程中，機(jī)器人需要知道來(lái)料的位置，才能完成后續(xù)的加工、裝配、測(cè)量泛指利用被測(cè)物體特征進(jìn)行全局或局部尺寸數(shù)據(jù)獲取的應(yīng)用，包括：長(zhǎng)度、平行度、角度、圓弧長(zhǎng)、圓直徑、半徑、點(diǎn)到線的距離、點(diǎn)點(diǎn)距離等等，尺寸測(cè)量既可以用于產(chǎn)品生產(chǎn)過(guò)程中的尺寸數(shù)據(jù)管控，也可以用于數(shù)據(jù)的獲取，在工業(yè)應(yīng)用場(chǎng)景中占檢測(cè)指的是對(duì)目標(biāo)物體表面的缺陷進(jìn)行檢出。產(chǎn)品生產(chǎn)制造過(guò)程中產(chǎn)生的表面缺陷會(huì)影響其性能及客戶體驗(yàn)，傳統(tǒng)人工檢測(cè)的方法需要耗費(fèi)大量的人力，且無(wú)法滿足現(xiàn)代生產(chǎn)工藝和節(jié)奏的要求，利用機(jī)器視覺(jué)的方法進(jìn)行智能化檢測(cè)可以有效的解決這一問(wèn)題，同時(shí)節(jié)省成本、提高產(chǎn)能。因此，表面缺陷檢測(cè)是機(jī)器視覺(jué)最重要的應(yīng)用方向之7難點(diǎn)：缺陷區(qū)域呈現(xiàn)隨機(jī)灰度等級(jí)的黑色或白色，難點(diǎn)：缺陷區(qū)域呈現(xiàn)隨機(jī)灰度等級(jí)的黑色或白色，難以提取全部缺陷區(qū)域好爛難點(diǎn)：不同類別的棗無(wú)任何歸一的特征規(guī)律，無(wú)法基于特征參數(shù)區(qū)分工業(yè)視覺(jué)面臨的挑戰(zhàn)及發(fā)展趨勢(shì)總體來(lái)說(shuō)，工業(yè)視覺(jué)在定位、測(cè)量、識(shí)別、檢測(cè)等各來(lái)越高、速度越來(lái)越快、準(zhǔn)確率要求越來(lái)越高的挑戰(zhàn)。這平的提高得到了有效的解決，比如采集硬件的分辨率、傳是也有一部分問(wèn)題，需要長(zhǎng)周期的實(shí)踐和迭代升級(jí)才有解表，就是復(fù)雜場(chǎng)景下的缺陷檢測(cè)。以下是幾類傳統(tǒng)算法難難點(diǎn)：缺陷特征被隨機(jī)的螺牙背景干擾，難以獨(dú)立分割出缺陷區(qū)域難點(diǎn)：待定位的特征呈現(xiàn)相對(duì)隨機(jī)的輪廓，無(wú)法以特定模板匹配8此類問(wèn)題在工業(yè)現(xiàn)場(chǎng)是普遍存在且用戶需求迫切希望得到解決的，這為工業(yè)視覺(jué)的算法發(fā)展提出了新的挑戰(zhàn)。同時(shí)，如果這些問(wèn)題得到解決，那么工業(yè)視覺(jué)的應(yīng)用邊界，將會(huì)得到極大的拓展，由原來(lái)只能在產(chǎn)品標(biāo)準(zhǔn)化、一致性極高的場(chǎng)景，變成幾乎可以替代人眼進(jìn)行任意場(chǎng)景下的視覺(jué)檢測(cè)應(yīng)用，而且不止是工業(yè)生產(chǎn)方面，在農(nóng)業(yè)、民用深度學(xué)習(xí)技術(shù)概述深度學(xué)習(xí)技術(shù)概述深度學(xué)習(xí)是機(jī)器學(xué)習(xí)中一種基于對(duì)數(shù)據(jù)進(jìn)行表征學(xué)習(xí)的方法。在給予它一組輸入后，在規(guī)律和表示層次，這些學(xué)習(xí)過(guò)程中獲得的信息對(duì)諸如文字，圖像和聲音等數(shù)據(jù)的解釋有很大的幫助。它的最終目標(biāo)是讓機(jī)器能夠像人一樣具有分析學(xué)習(xí)能力，能夠識(shí)別文字、圖像和聲音等數(shù)據(jù)。深度學(xué)習(xí)是一個(gè)復(fù)雜的機(jī)器學(xué)習(xí)算法，在語(yǔ)音和圖像識(shí)別方面取得的效果，遠(yuǎn)遠(yuǎn)超過(guò)先前相關(guān)技術(shù)。深度學(xué)習(xí)在搜索技術(shù)，數(shù)據(jù)挖掘，機(jī)器學(xué)習(xí)，機(jī)器翻譯，自然語(yǔ)言處理，多媒體學(xué)習(xí)，語(yǔ)音，推薦和個(gè)性化技術(shù)，以及其他相關(guān)領(lǐng)域都取得了很多成果。深度學(xué)習(xí)使機(jī)器模仿視聽(tīng)和思考等人類的活動(dòng)，解決了很(2)明確了特征學(xué)習(xí)的重要性。也就是說(shuō)，通過(guò)逐層特征變換，將樣本在原空間的特征表示變換到一個(gè)新特征空間，從而使分類或預(yù)測(cè)更容易。與人工規(guī)則構(gòu)造特征的方法(3)通過(guò)設(shè)計(jì)建立適量的神經(jīng)元計(jì)算節(jié)點(diǎn)和多層運(yùn)算層次結(jié)構(gòu)，選擇合適的輸入層和輸出層，通過(guò)網(wǎng)絡(luò)的學(xué)習(xí)和調(diào)優(yōu)，建立起從輸入到輸出的函數(shù)關(guān)系，雖然不能100%找到輸入與輸出的函數(shù)關(guān)系，但是可以盡可能的逼近現(xiàn)實(shí)的關(guān)聯(lián)關(guān)系。使用訓(xùn)練成功的網(wǎng)工業(yè)視覺(jué)深度學(xué)習(xí)技術(shù)發(fā)展趨勢(shì)在工業(yè)視覺(jué)方面，深度學(xué)習(xí)的典型應(yīng)用領(lǐng)域是異常檢測(cè)、圖像分類、缺陷檢測(cè)和物體深度學(xué)習(xí)和傳統(tǒng)機(jī)器視覺(jué)方法的差異主要在于，傳統(tǒng)機(jī)器學(xué)習(xí)的步驟是人工分析圖片的特征，通過(guò)圖像算法提取特征，然后通過(guò)特征的數(shù)值來(lái)區(qū)分物品。在分析的時(shí)候不需要大量的圖片，只需要幾種分類的典型圖片，和類別之間的臨界圖片。人工分析在整個(gè)過(guò)程當(dāng)中起到了主導(dǎo)的作用。而深度學(xué)習(xí)的步驟是采集大量圖片，標(biāo)注圖片，把圖片放進(jìn)網(wǎng)絡(luò)訓(xùn)練，查看訓(xùn)練結(jié)果，調(diào)節(jié)參數(shù)和網(wǎng)絡(luò)結(jié)構(gòu)，再次訓(xùn)練，得到最好的結(jié)果。深度學(xué)習(xí)在標(biāo)注和訓(xùn)練的時(shí)候不需要專業(yè)，網(wǎng)絡(luò)會(huì)自動(dòng)提取和篩選特征，規(guī)劃分割閾值。只是在調(diào)整參數(shù)和網(wǎng)絡(luò)結(jié)構(gòu)時(shí)需要專業(yè)工程師，但是在一些項(xiàng)目中可以不用其次，當(dāng)檢測(cè)不同的物體和特征時(shí)，深度學(xué)習(xí)方法的優(yōu)勢(shì)是能夠檢測(cè)以不同形式出現(xiàn)再次，經(jīng)過(guò)適當(dāng)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)可以很好地識(shí)別出變量環(huán)境（如變化的背景、不同的分辨率或光源條件）中的物體，無(wú)需針對(duì)每個(gè)可能的特性進(jìn)行專門訓(xùn)練。但是需要大當(dāng)然，深度學(xué)習(xí)工業(yè)視覺(jué)的實(shí)施也需要具備一定的條件和成本。在硬件配置方面，通常需要增加額外的GPU作為算力支撐，在實(shí)施方面，需要準(zhǔn)備大量的訓(xùn)練樣本數(shù)據(jù)，大量的人工標(biāo)注工作量等，但是，考慮到期在識(shí)別能力上，算法的適應(yīng)力上和特征提取和分類的流程上的優(yōu)勢(shì)，隨著市場(chǎng)需求、行業(yè)技術(shù)水平的發(fā)展，硬件性能提升，成與傳統(tǒng)方法相比，為了在應(yīng)用中充分發(fā)揮純深度學(xué)習(xí)方法的優(yōu)勢(shì)，往往需要對(duì)使用的深度學(xué)習(xí)架構(gòu)復(fù)雜精巧、功能強(qiáng)大，其突出特點(diǎn)在于它是由大量的神經(jīng)網(wǎng)絡(luò)層構(gòu)成。因此，運(yùn)行深度學(xué)習(xí)的應(yīng)用程序需要用到大量的內(nèi)存和計(jì)算能力。通常只有將計(jì)算任務(wù)轉(zhuǎn)移到額外的處理器（如GPU顯卡）上同時(shí)執(zhí)行計(jì)算，才能在可接受的短時(shí)間內(nèi)完成處理工作。在目前的市場(chǎng)條件下，增加GPU顯卡對(duì)于很多用戶來(lái)說(shuō)是一項(xiàng)不小的成大型神經(jīng)網(wǎng)絡(luò)對(duì)計(jì)算能力的要求較高，因此增加了應(yīng)用的功耗，并相應(yīng)地增加了發(fā)熱量。這尤其會(huì)對(duì)嵌入式系統(tǒng)造成問(wèn)題，因?yàn)橥ǔＰ枰獙?duì)嵌入式系統(tǒng)的低功耗和熱管理要想可靠地識(shí)別物體，首先需要大量的訓(xùn)練圖像，這些圖像會(huì)描述和標(biāo)記所有物體和屬性，以便讓系統(tǒng)能在盡可能多的不同變量和環(huán)境中完成識(shí)別。用于訓(xùn)練的不同圖像數(shù)據(jù)量越多，深度學(xué)習(xí)網(wǎng)絡(luò)就越容易學(xué)會(huì)如何識(shí)別物體。在開(kāi)發(fā)機(jī)器視覺(jué)應(yīng)用時(shí)，要獲取成百上千幅所需的圖像往往是一項(xiàng)艱巨的任務(wù)。更多的時(shí)候，工廠可能根本就不獲取到的大量數(shù)據(jù)是不能立即使用的，需要人給這些數(shù)據(jù)進(jìn)行標(biāo)注，對(duì)于圖像分割，需要精準(zhǔn)的標(biāo)準(zhǔn)圖像中要分割的區(qū)域，這樣才能在推理圖片的時(shí)候得到精準(zhǔn)的區(qū)域。這些標(biāo)注工作都只能是人工手動(dòng)完成，所以在數(shù)據(jù)大的時(shí)候，還需要檢測(cè)是否有標(biāo)注上述幾個(gè)應(yīng)用的條件正是深度學(xué)習(xí)工業(yè)視覺(jué)項(xiàng)目落地的阻礙，也是用戶的痛點(diǎn)，相對(duì)·發(fā)熱量和功耗：思路之一能將深度學(xué)習(xí)與傳統(tǒng)算法進(jìn)行深度融合，采用傳統(tǒng)算法解決·大量的訓(xùn)練數(shù)據(jù)：行業(yè)內(nèi)通用的解決方案是采用小樣本訓(xùn)練，然后在推理過(guò)程中不斷技術(shù)解析對(duì)應(yīng)3.1提出的用戶痛點(diǎn)問(wèn)題及解決思路，結(jié)合實(shí)際落地的項(xiàng)目經(jīng)驗(yàn)，目前AI工業(yè)視覺(jué)深度學(xué)習(xí)算法對(duì)計(jì)算資源的需求是確定的，如何提高深度學(xué)習(xí)應(yīng)用部署效率，降低運(yùn)學(xué)習(xí)算法平臺(tái)努力的目標(biāo)。由于工業(yè)領(lǐng)域深度學(xué)習(xí)應(yīng)用的特殊分開(kāi)實(shí)施，模型訓(xùn)練完畢后的運(yùn)行機(jī)往往裝在設(shè)備上交付給終端用戶，不再需要大規(guī)模的持續(xù)訓(xùn)練和升級(jí)，這就使得深度學(xué)習(xí)在CPU上運(yùn)行具備了基礎(chǔ)條件。由于大量的務(wù)指標(biāo)。然而通過(guò)提升推理服務(wù)在CPU上的性能，可以幫助實(shí)現(xiàn)GPU遷移到CPU上的針對(duì)一些代表性的場(chǎng)景如特征明顯但存在異物干擾的情況，使用傳統(tǒng)算法唯一的問(wèn)題是會(huì)造成一定程度的過(guò)殺，但是其實(shí)施效率高、消耗的算力和功耗少，是深度學(xué)習(xí)無(wú)法比擬的優(yōu)勢(shì)。在這種場(chǎng)景下，使用傳統(tǒng)算法進(jìn)行過(guò)殺，然后對(duì)NG的圖片進(jìn)行深度學(xué)習(xí)標(biāo)注和訓(xùn)練，將傳統(tǒng)算法與深度學(xué)習(xí)有機(jī)的結(jié)合在一起，可以實(shí)現(xiàn)事半功倍的效果稱之為缺陷檢測(cè)深度學(xué)習(xí)過(guò)濾技術(shù)。此外，傳統(tǒng)軟件和深度學(xué)習(xí)的結(jié)合還可以用于圖21案例：鍵盤表面缺陷，會(huì)有毛發(fā)、指紋、灰塵等異物干擾目前大部分的深度學(xué)習(xí)模型，都是監(jiān)督學(xué)習(xí)的方式進(jìn)行的，需要海量的數(shù)據(jù)支持。而現(xiàn)實(shí)生產(chǎn)環(huán)境中，數(shù)據(jù)集通常較小，只有幾萬(wàn)甚至幾百個(gè)樣本。此時(shí)，通常我們采用第一：利用預(yù)訓(xùn)練模型進(jìn)行遷移微調(diào)（?ne-tuning），預(yù)訓(xùn)練模型通常在特征上擁有很好的語(yǔ)義表達(dá)。此時(shí)，只需將模型在小數(shù)據(jù)集上進(jìn)行微調(diào)就能取得不錯(cuò)的效果。這也是目前大部分小數(shù)據(jù)集常用的訓(xùn)練方式。視覺(jué)領(lǐng)域內(nèi)，通常會(huì)ImageNet上訓(xùn)練完成本類別遠(yuǎn)遠(yuǎn)大于樣本數(shù)量的情況等極端數(shù)據(jù)集。例如有1000個(gè)類別，每個(gè)類別只提供常仍然在學(xué)習(xí)不同類別的語(yǔ)義，而少樣本學(xué)習(xí)通常需要學(xué)習(xí)樣本之間的距離度量。例有些常用的方式：數(shù)據(jù)集增強(qiáng)、正則或者半監(jiān)督學(xué)習(xí)等方式來(lái)解決小樣本數(shù)據(jù)集的訓(xùn)此外，也有深度學(xué)習(xí)廠家研發(fā)了一些幫助用戶進(jìn)行樣本圖片生成的工具，可以將收集AI工業(yè)視覺(jué)解決方案架構(gòu)及組成1、圖像采集部分：通常由一套或者多套這樣的成像系統(tǒng)組成，包括工業(yè)相機(jī)、工業(yè)鏡2、照明光源：光源是影響機(jī)器視覺(jué)系統(tǒng)輸入的重要因素，它直接影響輸入數(shù)據(jù)的質(zhì)量3、控制單元：控制單元一般包含光電傳感器、I/O、運(yùn)動(dòng)控制、電平轉(zhuǎn)化單元等，用4、圖像處理算力設(shè)備：工控機(jī)或GPU服務(wù)器，是視覺(jué)系統(tǒng)的核心算力，部署于靠近相機(jī)的端側(cè)，完成圖像數(shù)據(jù)的處理和絕大部分的控制邏輯，對(duì)于檢測(cè)識(shí)別類型或采用深度學(xué)習(xí)算法的應(yīng)用，通常都需要高性能的CPU/GP機(jī)器視覺(jué)軟件用來(lái)完成輸入的圖像數(shù)據(jù)的處理，通過(guò)圖像識(shí)別得出結(jié)果，這個(gè)輸出的5、執(zhí)行機(jī)構(gòu)：可能是機(jī)械臂、氣動(dòng)裝置等，用于執(zhí)行運(yùn)算結(jié)構(gòu)后進(jìn)行相應(yīng)的剔除、抓邊緣學(xué)習(xí)將基于規(guī)則的高效機(jī)器視覺(jué)嵌入到一套預(yù)先訓(xùn)練的深度學(xué)習(xí)算法中，以創(chuàng)建針對(duì)工廠自動(dòng)化優(yōu)化過(guò)的一個(gè)集成工具集。該技術(shù)無(wú)需機(jī)器視覺(jué)和深度學(xué)習(xí)方面的專業(yè)知識(shí)。相反，生產(chǎn)線工程師可以基于其對(duì)所需解決任務(wù)的現(xiàn)有了解來(lái)訓(xùn)練邊緣學(xué)習(xí)邊緣學(xué)習(xí)與現(xiàn)有深度學(xué)習(xí)框架的不同之處在于，其并非通用的解決方案，而是專門為工業(yè)自動(dòng)化應(yīng)用量身定制的。邊緣學(xué)習(xí)與其他深度學(xué)習(xí)產(chǎn)品的不同之處在于，其專注于確保在應(yīng)用部署的所有階段都易于使用。舉例來(lái)說(shuō)，邊緣學(xué)習(xí)僅需更少的圖像即可實(shí)施流程量的要求，然后在實(shí)際生產(chǎn)中去收集足夠的對(duì)應(yīng)樣本數(shù)據(jù)。通常情況下，訓(xùn)練用的數(shù)據(jù)集必須要有足夠的代表性，需要包含實(shí)際生產(chǎn)中各種可能的情況，而且對(duì)應(yīng)各種情況的圖像數(shù)量分布要均勻。在數(shù)量方面，訓(xùn)練用的數(shù)據(jù)集樣本一定要相對(duì)較多，根據(jù)模型的復(fù)雜程度，高質(zhì)量的圖片數(shù)量，以及負(fù)樣本的數(shù)量必須足夠。樣本圖片的收集圖像數(shù)據(jù)的收集工作在某些場(chǎng)景下需要耗費(fèi)大量的人力以及時(shí)間，且往往對(duì)深度學(xué)習(xí)項(xiàng)目最終能否成功實(shí)施、或最終的檢出率是否達(dá)標(biāo)具有至關(guān)重要的意義。因此在評(píng)估深度學(xué)習(xí)項(xiàng)目時(shí)，要格外關(guān)注此部分工作的實(shí)現(xiàn)難度，對(duì)工作量做出客觀和準(zhǔn)確的評(píng)估，并入系統(tǒng)成本考量維度。另外值得注意的是，負(fù)樣本的收集往往是瓶頸站點(diǎn)，因?yàn)楣S自動(dòng)化生產(chǎn)過(guò)程中NG產(chǎn)品的比例是相對(duì)較低且無(wú)法人為制造的，但是檢出所有在獲取了足夠的圖像數(shù)據(jù)之后，依據(jù)圖像的屬性進(jìn)行準(zhǔn)確的分類，如果是缺陷檢測(cè)目的，通常只需要?jiǎng)澐譃镺K/NG兩類，如果是圖像分類，則需要根據(jù)特征劃分為對(duì)應(yīng)的種是全圖標(biāo)記（也稱全圖分類一種是像素分割。典型的全圖分類模式下標(biāo)記主界面如圖所示，界面上可以顯示多幅圖像形成的圖像列表。這種標(biāo)記方式的好處是效率較高，可以支持超大規(guī)模的圖像快速標(biāo)記。他允許用戶對(duì)整幅圖片進(jìn)行類別的標(biāo)記，速的完成標(biāo)記和訓(xùn)練，取得準(zhǔn)確的判定結(jié)果。同時(shí)，由于標(biāo)記所需圖片可以從高分辨率圖像中裁切獲得，對(duì)樣本的數(shù)據(jù)量依賴問(wèn)題得到了較好的解決，在樣本圖片的裁切當(dāng)然，全圖標(biāo)記的標(biāo)注方法也有其局限性。當(dāng)被測(cè)物的缺陷種類眾多、產(chǎn)品背景復(fù)雜、產(chǎn)品本身類型眾多、缺陷位置無(wú)法自動(dòng)定位時(shí)，全圖標(biāo)記在小分辨率訓(xùn)練圖像自動(dòng)相對(duì)于全圖分類的對(duì)整幅圖像進(jìn)行標(biāo)記，像素分割是在圖片中對(duì)缺陷區(qū)域進(jìn)行標(biāo)記，不明顯的裂紋第一、如上圖所示的不明顯裂紋，利用傳統(tǒng)算法很難分割出來(lái)，就算分割出來(lái)了，也會(huì)同時(shí)把其他的一些干擾因素分割出來(lái)，造成誤檢?；谏疃葘W(xué)習(xí)像素分割，可以不通過(guò)閾值等傳統(tǒng)方法分割，而是通過(guò)大量類似的數(shù)據(jù)訓(xùn)練出類腦模型后，進(jìn)行裂紋區(qū)基于像素分割模型的推理效果第二、當(dāng)干擾因素和缺陷類似，或干擾因素的層次感比缺陷還高時(shí)，用傳統(tǒng)分割算法盡管右下角的臟污比中間的裂紋更明顯，但是依然只準(zhǔn)確的檢測(cè)出裂紋隱約的裂紋缺陷也不會(huì)和其他非裂紋特征混淆量的圖像數(shù)據(jù)需要人工進(jìn)行缺陷類型以及位置的準(zhǔn)確標(biāo)相較于傳統(tǒng)的民用級(jí)深度學(xué)習(xí)開(kāi)發(fā)過(guò)程中“創(chuàng)建數(shù)據(jù)集-加載數(shù)據(jù)集-創(chuàng)建神經(jīng)網(wǎng)絡(luò)模型-創(chuàng)建損失函數(shù)-設(shè)置優(yōu)化器-設(shè)置訓(xùn)練網(wǎng)絡(luò)的超參數(shù)-開(kāi)始訓(xùn)練并記錄訓(xùn)練結(jié)果-保存更簡(jiǎn)便，對(duì)人員的開(kāi)發(fā)能力要求大大降低。無(wú)論是全圖分類還是像素分割，標(biāo)記工作完成之后，即可進(jìn)行深度學(xué)習(xí)模型訓(xùn)練的工作。深度學(xué)習(xí)軟件區(qū)別于傳統(tǒng)軟件最重要的特點(diǎn)之一，就是不需要具備圖像處理的基礎(chǔ)知識(shí)，不需要進(jìn)行復(fù)雜的算子選擇和程序創(chuàng)建，模型的訓(xùn)練完全是自動(dòng)化進(jìn)行的，操作極其簡(jiǎn)單，只需要借助GPU強(qiáng)大的算在模型訓(xùn)練的過(guò)程中，我們往往比較關(guān)注訓(xùn)練時(shí)間、準(zhǔn)確率/損失值等數(shù)據(jù)。訓(xùn)練時(shí)間的長(zhǎng)短主要取決于廠家算法性能、訓(xùn)練用圖片分辨率、樣本數(shù)量、計(jì)算機(jī)提供的算力等。而準(zhǔn)確率/損失值數(shù)據(jù)，跟圖片標(biāo)注的準(zhǔn)確率、樣本質(zhì)量、算法性能、訓(xùn)練輪數(shù)等有較大關(guān)系。對(duì)于支持小樣本訓(xùn)練的算法軟件，通常可以先使用少量樣本進(jìn)行標(biāo)注和訓(xùn)練多輪次，將準(zhǔn)確率提升至一定程度后進(jìn)行試運(yùn)行，過(guò)程中將檢測(cè)錯(cuò)誤的圖片進(jìn)行重新標(biāo)注和訓(xùn)練，以快速、高效的提升模型準(zhǔn)確率。支持繼續(xù)訓(xùn)練也是這一方法可以實(shí)施的必要條件。使用大量圖片進(jìn)行驗(yàn)證、校驗(yàn)原有的標(biāo)注數(shù)據(jù)準(zhǔn)確性，也是模型訓(xùn)完成訓(xùn)練得到模型之后，深度學(xué)習(xí)項(xiàng)目即具備了上線運(yùn)行的基本條件，此時(shí)需要專門的人員進(jìn)行一定時(shí)長(zhǎng)的跟機(jī)工作，在推理過(guò)程中，進(jìn)行模型準(zhǔn)確度的驗(yàn)證，實(shí)時(shí)發(fā)現(xiàn)誤檢、漏檢的圖片案例并進(jìn)行收集、再訓(xùn)練，不斷完善模型的準(zhǔn)確率，直至達(dá)到驗(yàn)收要求。通常需要預(yù)設(shè)一定的時(shí)間或樣本的數(shù)量，來(lái)驗(yàn)證項(xiàng)目是否達(dá)到了需求中的識(shí)別率、準(zhǔn)確率等數(shù)據(jù)，因?yàn)橹挥性谡鎸?shí)的在線生產(chǎn)過(guò)程中滿足了這些指標(biāo)要求，深度學(xué)在工業(yè)生產(chǎn)中用戶經(jīng)常面臨的痛苦之一，是由于產(chǎn)品的種類更換、設(shè)備本身磨損帶來(lái)的產(chǎn)品一致性問(wèn)題，會(huì)有新的種類及不良類型不斷產(chǎn)生，相比傳統(tǒng)視覺(jué)，使用深度學(xué)習(xí)帶來(lái)的額外好處是，在這種情況下，只需要在原來(lái)模型的基礎(chǔ)上進(jìn)行簡(jiǎn)單的操作，AI工業(yè)視覺(jué)解決方案典型應(yīng)用場(chǎng)景使命就是執(zhí)行檢查任務(wù)，例如檢測(cè)制造產(chǎn)品中的缺陷、污染物、功能缺陷等異常。相比人類視覺(jué)，機(jī)器視覺(jué)因其速度、準(zhǔn)確性和可重復(fù)性而在結(jié)構(gòu)化場(chǎng)景的定量測(cè)量中具有優(yōu)勢(shì)。利用適當(dāng)?shù)南鄼C(jī)分辨率和光學(xué)件配置制造的機(jī)器視覺(jué)系統(tǒng)可以輕松檢測(cè)人眼難以看到的物體細(xì)節(jié)，并且檢測(cè)的可靠性較高，錯(cuò)誤也較少。在生產(chǎn)線上，機(jī)器視覺(jué)系統(tǒng)可以可靠且重復(fù)地每分鐘檢查數(shù)百或數(shù)千個(gè)部件，遠(yuǎn)遠(yuǎn)超過(guò)人類的檢測(cè)能力。但是與傳統(tǒng)的機(jī)器視覺(jué)不同，人類擅長(zhǎng)區(qū)分細(xì)微的表面和功能缺陷，以及區(qū)分可能影響感知質(zhì)量的部分外觀變化。雖然人類處理信息的速度有限，但人類有特殊的概念化和概括的能力。人類擅長(zhǎng)通過(guò)實(shí)例學(xué)習(xí)，并且在部件有小異常時(shí)，能夠區(qū)分真正重要的部分。在很多情況下，這使人類視覺(jué)成為定性解釋復(fù)雜、非結(jié)構(gòu)化場(chǎng)景的理想選擇，項(xiàng)目背景：在螺紋的生產(chǎn)加工過(guò)程中，因?yàn)楦鞣N原因會(huì)產(chǎn)生一定比例的不合格品，如果不能夠?qū)⒉缓细衿窓z測(cè)出來(lái)，會(huì)對(duì)產(chǎn)品本身的強(qiáng)度造成嚴(yán)重影響，采用傳統(tǒng)的視覺(jué)檢測(cè)方法對(duì)螺紋進(jìn)行檢測(cè)，因?yàn)槁菁y本身的紋理干擾等因素，在檢測(cè)的過(guò)程中無(wú)法檢測(cè)或者誤判率非常高，采用的深度學(xué)習(xí)功能，將誤判率大大的降低，良品率能夠達(dá)到用深度學(xué)習(xí)缺陷過(guò)濾模塊截圖截圖保存路徑設(shè)置截取的圖像項(xiàng)目背景：在電腦鍵盤字符印刷的過(guò)程中，經(jīng)常會(huì)產(chǎn)生各種印刷不良，采用傳統(tǒng)的視覺(jué)檢測(cè)方法進(jìn)行檢測(cè)，粉塵、毛屑、指紋等如果殘留在鍵盤上，就會(huì)對(duì)視覺(jué)檢測(cè)造成干擾，在檢測(cè)過(guò)程中將其誤檢為字符的印刷不良，使合格品被誤檢為不合格品，從而影響產(chǎn)線的生產(chǎn)效率，針對(duì)以上存在的問(wèn)題，使用深度學(xué)習(xí)功能對(duì)鍵盤進(jìn)行檢測(cè)，使調(diào)用“模型分類”工具并加載訓(xùn)練好的表情識(shí)別模型基于深度學(xué)習(xí)的表情識(shí)別歸一化基于深度學(xué)習(xí)的表情識(shí)別相對(duì)于工業(yè)場(chǎng)景的分類來(lái)說(shuō)，實(shí)現(xiàn)難度是比較小的，因?yàn)楸砬椴町惖奶卣髟趫D片上的數(shù)據(jù)差異是非常大的。以1000萬(wàn)像素的手機(jī)圖片來(lái)說(shuō)，同一而真正的難點(diǎn)是工業(yè)領(lǐng)域的分類。以目前算法比較成熟的紅棗分類檢測(cè)舉例，以500萬(wàn)像素的工業(yè)相機(jī)來(lái)說(shuō)，不同類型紅棗之間的特征差異，可能只有幾百個(gè)像素，而且差首先我們要選取合適的標(biāo)注方式，結(jié)合前文的介紹，紅棗的分類顯然更適合全圖分類2、使用截圖工具截取紅棗占據(jù)較大畫(huà)面比例的小分辨率圖像，得到全圖標(biāo)注所需要的采用這種標(biāo)注方式實(shí)現(xiàn)深度學(xué)習(xí)圖像分類的好處是顯而易見(jiàn)的，首先缺陷過(guò)濾模型相負(fù)樣本的差異性會(huì)大很多，訓(xùn)練成熟網(wǎng)絡(luò)模型需要的圖像數(shù)量相對(duì)較少，模型復(fù)雜程度相對(duì)較低。其次數(shù)據(jù)標(biāo)注相對(duì)容易，效率更高，因?yàn)閿?shù)據(jù)標(biāo)注時(shí)都是針對(duì)指定區(qū)域基于深度學(xué)習(xí)的字符識(shí)別可以比較有效的解決這一問(wèn)題，字符識(shí)別也是深度學(xué)習(xí)技術(shù)典型的應(yīng)用場(chǎng)景之一。在工業(yè)生產(chǎn)尤其是包裝生產(chǎn)線上，存在大量的包裝袋、包裝盒體上的生產(chǎn)日期、批號(hào)字符需要進(jìn)行檢測(cè)，利用深度學(xué)習(xí)進(jìn)行小樣本的訓(xùn)練即可獲得缺陷顏色比背景“深”缺陷顏色比背景“淺”對(duì)于背景單一，真實(shí)缺陷和干擾因素比較明顯的缺陷，可以用傳統(tǒng)BLO