康耐视博客

深度学习如何帮助汽车行业实现自动化检测

deep learning for automotive inspections

汽车制造商是首批借助机器视觉实现机械化、自动化和提高生产率的公司。现在,汽车上的几乎所有组件、系统和子组件都是使用机器视觉和条码读取技术制造的。随着人工智能的快速发展,很多汽车和零件制造商现在正在考虑通过深度学习式图像分析软件将其他迄今为止因太复杂而无法自动化的手动过程实现自动化。

传统上,这些应用涉及无法预测的零件定位、复杂背景上的表面检测、以及分类——即之前无法通过机器视觉算法实现自动化检测的应用。使用深度学习软件使这些应用实现自动化后,制造商可以减少缺陷和误报,从而提高生产力。部署该技术的其他优势还包括提高整体质量并可能实现使用尽可能少的劳动力。

阅读并了解汽车制造商如何在工厂中使用深度学习图像分析改进缺陷探测、光学字符识别 (OCR)、装配验证和分类。

缺陷探测

汽车制造商都非常希望能保证组件和子组件的完整性,因为即使是最轻微的缺陷也会影响零件的功能和安全性。但并非所有表面缺陷都导致功能问题。

以往复式发动机中的活塞为例。活塞焊缝上的划痕会影响它的性能。其他情况,例如锈斑,甚至一些表面裂纹和缝隙,只会影响外观。但是因为这些情况的外观差异非常小(划痕和裂纹很相似),再加上成像问题,自动化检测系统会很难检测这些差异。

金属焊接表面会出现镜面眩光,这会影响相机成像。出于这个原因,在检测金属焊缝时,很多制造商会继续使用人类检查员代替自动化检测,这是因为人类检查员虽然速度慢且容易疲劳,但能较正确地识别和表征外观差异。

深度学习缺陷探测

幸运的是,随着深度学习技术的进步,现在已经可以自动检测和表征金属表面上无法预测的可变缺陷(例如焊接),不再需要手工检测。强大的新软件不仅能够识别这些缺陷,还可以表征它们,方式很像人类的眼睛和大脑。编程这种类型的检测需要复杂的算法和大量的缺陷库;即便如此,这种检测仍然可能产生错误。

与此相反,深度学习算法可根据范例图像形成自己的焊接缺陷模型。这些系统经过初步训练后可以识别模糊、散焦的图像和混乱的背景,从而能够识别各种最细微差异并高效分类。当然,还有一个优势就是速度。这些程序可以作为独立软件使用,也可以直接内置于智能相机中,速度快而且稳定。因此,深度学习系统可提供无与伦比的速度与一致性以及与人类相似的智能。

考虑到诸多可能的缺陷和照明问题,深度学习分析成为传统机器视觉检测的简单而强大的替代方案。在运行时对系统进行训练后,深度学习软件即可学习如何识别和忽略不相关的差异,从而将焊接不足或过度的焊接图像标记为缺陷。

光学字符识别

镜面光、反射和涂料颜色会增加检测系统自动读取字符的难度。通常,光学字符识别 (OCR) 和光学字符验证 (OCV) 工具需要识别字符以读取或验证其正确性,同时为用户提供优化系统速度和读取率的选项。

现在的大部分 OCR/OCV 工具都能快速且可靠地读取干净的白色背景上印刷的黑色文字。可惜的是,大部分工业环境都不是这样的理想情况。虽然现在的先进算法已经可以学习和读取大部分印刷文字(即使字体和背景对比度极小或宽度和高度差异很大),但遇到黏连、歪斜、或扭曲的文字或数字时仍然会出现问题。

另外,如果未使用具体字体进行训练,其也很难区分相似的形状(例如字母 "O" 和数字 "0")。如果遇到镜面光、反射和涂料颜色会出现什么情况?印刷的字母数字字符有点儿变形且无法即时识别的时候呢?这些情况通常需要在训练期间进行大量标记,而且即使这样也可能无法取得成功。

深度学习式汽车 OCR 技术

对于汽车的 VIN 码,制造商必须能快速解码印刷在各种表面上的字母数字字符串。环境条件以及印刷缺陷可能会使机器视觉系统难以定位和识别字符,这可能是直接部件标识 (DPM) 码、蚀刻或刻印到金属板上的字符,或印在不干胶标签上的字符。对于这种任务,汽车制造商现在终于可以使用深度学习式 OCR 技术了——当前机器视觉 OCR 工具的升级版——从而解决字符难读和图像变形问题。

特别是,康耐视的深度学习 OCR 工具使用预训练的全方位字体工具,可识别各种印刷变形、高低对比度或反光的字符。即使出现漏读,深度学习模型也只需要使用漏读字符范例重新训练,可以节省时间并降低失败率。

装配验证

不完整或错误装配是非常难以检测的,原因有很多:多个零件需要开发非常复杂的算法,而且这些场景因为有相似的图案和背景而非常容易混淆。在这种情况下,自动化系统要能学习场景的正确、正常外观,同时忽略可能不会影响质量的轻微差异。

汽车接线检测

对于大型复杂装配,检测系统要能找到特定的区域,例如检测区域或缺陷区域。这些因素使规则式编程非常繁琐而且容易出错。但深度学习缺陷探测、定位和布局工具使用有代表性的图像范例集学习可能出现的外观差异后,即可开发 AI 模型来识别图像中的目标区域并检测完整性。

因此,深度学习系统可以生成可靠的组件参考模型,例如车门,然后快速并可靠地确认是否所有组件存在、位置正确且已完成装配。虽然人类检查员擅长这种类型的判断,但深度学习的优势在于拥有计算机的速度、准确性、规模和稳定性。

分类

让我们回到焊缝检测的例子来进一步理解深度学习的价值定位。如上文所述,焊接不一致可能是异常但不一定会造成功能性缺陷。因此自动化检测系统不但要能检测缺陷,还要能正确地将其分类为“合格”(有效,可通过)或“不合格”并说明原因。制造商需要数据来了解生产线上是否有某种缺陷造成了过多的不合格,以便改变生产方法或避免发生这种缺陷。

机器视觉的本身限制使其无法分类图像。但神经网络的进步意味着现在的 AI 程序可以执行图像分类任务了。学习了关键的视觉差异之后,AI 即可将同一零件的图像分成各个子类。使用各类图像中已标记的典型图像进行训练后,深度学习模型即可区分各种实时图像并将其分到各种类别中,例如火花塞类型。

深度学习火花塞检测

深度学习是检测应用程序工程师解决复杂的汽车检测挑战时可以使用的最新工具。之前只能由人类检测完成的任务,现在已经可以通过使用深度学习技术的视觉系统来完成。

联系销售部门

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...