深度学习工厂自动化检测的 4 个工具
深度学习软件使人工和基于规则的算法无法完成的大量生产功能实现了自动化。
考虑汽车生产线上工作的检测员：门、挡泥板、座椅、车窗以及其他数百个组件可能会在生产过程出现刮擦、凹陷、撕裂或破碎。人类可以找到其中部分缺陷。配备高科技相机和复杂算法的机器视觉系统可以标记稍多的预定义缺陷。
问题是，生产环境中的所有变量都可能带来无法预测的缺陷。这正是深度学习软件可以发挥作用的地方：它使用数字相机和图像识别算法学习识别各种问题，例如生锈、褪色、和损坏。
正确地完成开发后，深度学习应用可帮助制造商减少错误并提高产品质量。在检测应用中，机器视觉和深度学习的合作方式如下：
- 开发人员通过一组无损坏产品的训练图像生成“正确”的产品外观。
- 开发人员添加损坏产品的图像，以识别最常见的异常和缺陷。
- 机器视觉相机拍摄生产线上的物品图片。机器视觉应用将新图像与训练图像对比，标记可能的缺陷。
- 因为应用经过优化来追求成功并避免失败，所以它会教自己变得越来越准确。
为制造业设计深度学习应用的软件必须有四个核心功能：
1.特征定位和装配验证
查找缺陷不是机器视觉和深度学习软件的唯一功能。它还能使用训练图像和学习算法定位特定的组件，从而帮助完成一些任务，例如指导机械臂正确地对位组件。这是半导体、智能手机和制药等高精度产品所必需的。
这些应用也可以扫描某个位置的产品数量，然后告诉机器人添加更多同类产品，直到货架或箱子装满。它们也可以统计一个包装中的所有组件，确保没有漏掉任何东西。
最好的定位和验证工具可以应对基于规则的视觉系统和质量控制人员难以处理的各种光线和表面。
阅读更多信息：使用深度学习装配验证工具识别各种组件或零件配置
2.缺陷探测和分割
识别缺陷可能是生产环境中的机器视觉软件最需要的功能了。虽然机器视觉可通过编程标记一种缺陷，但这样标记多种缺陷时会非常费时间。
缺陷探测工具从一组“合格”图像和常见缺陷（例如生锈、凹陷、划痕和未对位）的图片开始。顶级质量的探测工具还可选择识别与“合格”图像不同的所有缺陷。这些罕见的生产结果图像可以帮助工具自学以提高其准确性。
分割就是识别图像中的一个区域，告诉软件扫描这个区域中的缺陷。这样可以筛选出与分割扫描无关的区域，从而简化深度学习应用。
了解更多：深度学习缺陷探测如何帮助汽车和其他行业实现自动化检测
3.对象和场景分类
分类对象和场景可帮助深度学习应用分类缺陷，从而优化应用在无人干预的情况下的自我完善能力。一般来讲，图像是根据特定的特性进行标记的，然后根据特定的参数进行分类。这样，例如，刮擦的产品可以自动重新发送到涂漆生产线，而凹陷的产品可以发送到金属加工车间。
分类还可以根据常见特征（例如颜色、纹理、材料、包装和缺陷类型）对产品和组件进行分类。最好的分类工具可以确定阴影、形状或尺寸的自然偏差的公差，并根据各个类别的需求更改这些公差。
阅读更多信息：深度学习分类工具工作原理
4.文本和字符读取
对于人和标准机器视觉算法来说，一致地读取发动机缸体或铜管上的单词、数字或文本几乎是不可能的。生产线上的照明可能会有很大的不同，有些地方会产生阴影，而另一些地方会产生眩光而且全天都会根据工厂车间环境光线的变化而变化。
深度学习应用将字体和字型与生产零件上的字母关联起来。因此它能比较容易地读取塑料盖和衣物、园艺工具等不平表面上的文本。先进的字符读取工具已经走出工厂车间，在复杂的配送、物流和商业系统中找到了自己的角色。
了解：使用深度学习光学字符识别在任意条件下读取有挑战性的复杂条码
深度学习软件提供的其他功能
除了上述四个功能之外，强大的深度学习软件包应该是：
- 易于学习，有直观的 GUI，不需要高级技术知识。
- 针对视觉检测环境优化，需要的图像集小，需要的训练少。
- 针对配有 GPU（图像处理单元）的 Windows 计算机而设计。
与其他开源深度学习框架不同，康耐视深度学习除了这些功能之外，还有很多专为工厂和生产环境设计的强大功能。它将全面的机器视觉工具库和先进的深度学习工具结合到了一个通用的开发和部署框架中。
