康耐视博客

深度学习分类工具工作原理

classification deep learning inspections

分类零件和组件对于复杂的装配验证非常有用,例如生产线上需要识别并分选多个物品时。分类也是在线流程控制和持续流程改进的关键,可以提供及时发现错误所需的关键数据,避免问题成为顽疾。

虽然机器视觉已经有了巨大的进步,但检测形状、大小和位置有差异的物体或组件一直都需要人类灵活的眼睛来完成。即使是最强大的计算机检测系统,也很难分辨忙碌、图案丰富的背景和镜面眩光等图像质量问题。

在这种情况下,视觉算法很难以可靠的精度定位物体或目标区域。即使自动化系统可以忽略无关特征并成功地识别目标区域,这也会非常费时费力。

对于这些场景,如果应用需要自动化的精度来查找复杂的特征和物体,则可以使用不依赖编程、只需学习图像范例的深度学习工具。使用这些自学算法可以解锁新功能,根据零件的颜色、纹理、材料、包装或缺陷类型对零件进行定位和分类。

我们来看一下深度学习分类工具在各个行业中的用途。

汽车行业深度学习分类

在很多汽车应用中,识别是通过读码和字符识别 (OCR) 技术解码条码和序列号来完成的。但是在不支持读码和字母数字文本的环境中,制造商必须依靠视觉识别。对于位置不可预测或外观有变化和差异的识别应用来说,这已经是难题了,但有时候还要根据这些标记统计和分选或分类这些零件。

汽车行业分类

想象一家汽车制造商从一家零件制造商收到了一批火花塞。这些火花塞是为多个车型设计的,所以颜色和标记都有差异。它们到达生产线上不同颜色的托盘进行预装配时,自动化检测系统需要对其进行识别、计数和分类,以便将数据传递给机器人装配阶段。为此,自动化系统需要区分不同颜色的火花塞,以为机器人提供重要的装配信息,但同时要忽略托盘的背景颜色,避免分散注意力。

这种分类挑战就需要深度学习工具,根据火花塞的形状和尺寸概括其正常外观,同时忽略各个标记,然后根据颜色对其进行分类。为了完成这个任务,康耐视深度学习这样的深度学习图像分析会使用标记的训练图像概括火花塞外观,然后藉此统计托盘上的数量。然后,它可以按颜色进行分拣,再把这些数据传输给机器人进行装配。

电子行业深度学习分类

对于公差要求极其严格的电子硬件制造商,组件上的所有表面缺陷都必须在生产流程中的早期进行仔细检测和分类。这些组件的金属表面会产生镜面眩光,让相机看起来好像外观发生了变化,从而影响检测系统。

电子行业分类

因为表面粗糙度、纹理、和反光表面等问题,生产早期阶段很难发现装配期间产生的撞击、划痕、污渍等常见缺陷。而且,这些缺陷仅在特定照明条件下才可见,通常在光照不均匀导致对比度局部变化时才显现。

同时,检测系统还要忽略材料表面上的正常差异和常见但不严重的异常。借助深度学习工具,电子制造商可以使用标准的非专用照明探测任意朝向的典型缺陷,忽略镜面眩光和不严重的异常,然后根据共同属性对缺陷进行分选和分类。

一个常见应用就是对表面缺陷进行分类以达到质量控制目的。深度学习可根据缺陷的共同特征将各种缺陷按照各自的类别或类型进行分类。例如,某个模型可以根据缺陷在金属表面上的外观将“撞击”从“污渍”、“凹陷”、和“划痕”中分选出来。因为每个撞击也是有差异的,所以制造商需要使用深度学习归纳概括撞击的共同特征,以便正确地识别它们。

为此,深度学习检测系统要使用有关组件金属表面的环境信息来生成包含表面缺陷形状、尺寸和纹理的可靠模型。因此,撞击和划痕等缺陷会被标记为异常(或故障或“坏”图像),因为它们看起来是与正常表面纹理不同的纹理区域。然后,将所有特征相同的“坏”图像按其共同特征分类,例如撞击、污渍、凹陷和划痕。

如果某些缺陷类型不会造成功能性损坏并且制造商认为是允许的,则系统可忽略这个类别,让它可以去向下一生产阶段。

包装行业深度学习分类

不使用条码只根据外观识别包装会很有挑战性。在这种情况下,检测系统不仅要对产品或批次外观的正常和预期差异敏感,还要对因照明不均匀造成的局部对比度变化产生的包装外观变化敏感。

消费品包装行业分类

对于合装食品和饮料以及消费品,即小包装相同的商品可能会有不同的大包装,这时检测系统必须能立即识别包装的细微差异(这在特定的光照条件下会很难探测)以产生两种不同的包装。

例如,两种完全相同的四卷厕纸包有相同的条码,可能会使用不同的大包装;某些四卷厕纸是独立包装,有些是为了运输和其他包装捆在一起的。要让机器视觉检测系统了解这种细微差异,就需要使用大量的选择标准进行编程,并仔细调整和优化探测算法。

而深度学习图像分析使用和人类相似的方式学习两类包装的差异。根据两种包装的图像标记,系统能够感知到额外的包装正好符合标记特征并进行相应的分选。

面向生命科学行业的深度学习分类

癌细胞有不同且不可预测的形状。实际上,一种癌细胞在大小和形状上的差异性要大于它们的共同性。病理医生几乎很难说出乳腺癌细胞的主要特征。很遗憾,“看到才会明白”这句谚语非常适合细胞病理学。

生命科学行业分类

深度学习缺陷探测工具可以克服这个障碍,在记住健康细胞的自然正常差异的同时,学习癌细胞的各种形状并准确地标记那些看起来异常的细胞。需要对细胞的差异程度分级时,深度学习工具可以根据特定的形态学为所有异常图像分类。这是机器视觉因固有的编程限制而无法处理的。

例如,前列腺癌细胞是根据“格里森模式”或腺结构的程度以 1-5 分的范围进行分级的。"1" 是均匀,"5" 是不规则和不同。通过引入在不同腺分化程度下 1-5 级细胞组织的外观模型,深度学习工具可帮助实现自动化检测,而且分类工具可根据这些外观对所有样本进行分类。即使场景涉及多个目标,康耐视深度学习这样的工具也能通过关注单个图像中的这些目标区域完成任务。

对于分类,“类别”会因缺陷类型、大小、形状、颜色和各个工业行业特有的形态而异。深度学习工业图像分析软件不仅可以促进制造商的自动化检测,还能完成之前无法完成的任务:无需编程即可分类、分拣、以及分级。这样最终可以自动化检测视觉上相似但不同的产品,同时忽略同一类别的较大差异,并区分可接受的异常和真实缺陷。

像康耐视深度学习这样的深度学习解决方案扩展了传统机器视觉的功能,不仅可以根据零件的视觉特征进行检测,还可以对零件进行分拣和分类,从而提高装配速度,并在生产错误影响质量和处理量之前发现这些错误。

更多帖子

获取产品支持和培训以及更多

加入 MyCognex

是否有任何疑问?

世界各地的康耐视代表可以随时为您提供支持,满足您的视觉和工业读码需求。

联系我们
Loading...