瞭解 (紅色) 高度細緻模式提供的缺陷分割功能

Cognex VisionPro Deep Learning 軟體內含的新設定稱為 (紅色) 高度細緻模式,可用於需要極高精確度的機器視覺檢測。
這種先進的探測模式可以解決需要額外仔細觀察分割缺陷的極特定使用案例。無論何種產業或缺陷類型,(紅色) 高度細緻模式都可提供精確分割、更迅速的處理時間,以及更優質的產品。
深度學習工具概觀
想瞭解 (紅色) 高度細緻模式,就從檢閱 VisionPro Deep Learning 的四項主要工具開始。這些工具使用深度神經網路,辨識康耐視機器視覺相機所擷取圖像中的圖案、組件及異常:
- Red Analyze:探測圖像中的異常情況與缺陷。(紅色) 高度細緻模式工具是此工具內的架構設定。
- Green Classify:可將圖像或一部分圖像分類成數量不拘的類別。一項常見範例就是依據缺陷分類 (例如瑕疵、裂縫、刮痕)。
- Blue Locate:在圖像中找到組件或元件。
- Blue Read:在圖像中執行精密複雜的光學字元辨識功能。
VisionPro Deep Learning 開發人員可以使用任一種工具,或將這些工具全部一起使用。這對於 Red Analyze 與 Green Classify 工具,更是如此。例如,Red Analyze 工具可識別異常,而 Green Classify 工具可以判斷缺陷類型。
但高度細緻模式納入 Green Classify 工具已有一段時間,因此本部落格將著重在 Red Analyze 工具中可以使用的新版本。

Red Analyze 工具如何運作
當康耐視相機拍攝圖像以檢測生產中的組件時,VisionPro Deep Learning 必須判斷該圖像通過檢測,或未通過檢測。
Red Analyze 工具可以透過掃描圖像內的特徵、物件或組件,來進行這些檢測。VisionPro Deep Learning 根據一系列預設的訓練圖像,使用神經網路來將這些圖像分級為合格或不合格。
此流程的運作方式如下:機器視覺應用開發人員將一系列圖像提供給神經網路。一般來說,半數都是訓練圖像,而另一半則是驗證圖像。神經網路將訓練圖像與驗證圖像中的「真實狀況」比較。在工具訓練期間,神經網路會學習破解合格與不合格圖像之間的差異。
Red Analyze 工具能以兩種模式運作:
- 非監督:使用無缺陷的圖像來訓練神經網路。圖像中任何偏離「合格」定義的細節,都會標示為異常。
- 監督:需要開發人員識別圖像內的特定部分,以訓練神經網路。神經網路掃描圖像,尋找這些特定缺陷。
監督模式可以使用兩種子模式:
- 聚焦,其可提供高性能與快速訓練時間。
- 高度細緻,其詳盡周密的演算法可提供同類產品中最佳的準確度。
因此,(紅色) 高度細緻分割功能可說是 Red Analyze 工具中的監督模式功能。
決定使用高度細緻分割功能的時機
在 VisionPro Deep Learning 中,聚焦模式的分割功能不僅極為準確,也相當敏捷。可以將新圖像新增至神經網路,然後在數分鐘內,便可開始產生結果。聚焦模式的完善設計適用於較簡單的應用,但對於要求較嚴苛的工作,較適合採用高度細緻模式。
高度細緻分割功能需要更複雜的神經網路架構。這自然需要在時間與精確度之間做出取捨。使用 (紅色) 高度細緻模式工具,可能需要數小時的時間來訓練神經網路。因此,應用開發人員需要拿出對策,安排處理額外的處理時間。
利用 (紅色) 高度細緻模式節省時間
在以 VisionPro Deep Learning 開發機器視覺應用時,加上標籤的圖像與各部分,一般都是要耗費大量時間的部分。開發人員可能需要在數十個圖像內,為多個部分加上標籤。還可能需要遮蔽圖像的背景,以及提供從數個角度拍攝的物件圖像,以擷取神經網路所需看見的一切要素。
幸好,加上標籤的工作只需要進行一次。在為應用評估不同工具時,例如聚焦模式或高度細緻模式,只要複製標籤即可。不需要為圖像重新加上標籤,可讓開發人員節省時間,以及更迅速部署其應用。
此外,開發人員可以在應用內,混合搭配聚焦與高度細緻模式,保留高度細緻分割功能,只在其可發揮最大效用的情況下使用。(紅色) 高度細緻模式通常可在兩層式檢測模型下運作良好,此模型會將未能通過高度細緻測試的生產組件送交人工檢測人員,進行最終的合格與否判斷。
探測微小缺陷和完成精確的預測性分析
機器視覺開發人員習慣以高準確度與嚴格誤差範圍,來構建應用。(紅色) 高度細緻模式可協助這些開發人員,達到要求最嚴苛的應用所需的精確程度。
若是要求尋找難以辨識的缺陷和準確預測這類缺陷的形狀/大小,這類應用則很適合採用 (紅色) 高度細緻模式工具。此圖元級精確度在消費性電子業、半導體業及汽車業等主要產業中很重要。例如,半導體製造廠商可能需要探測會造成微處理器過熱的極小缺陷。或者,食品處理工廠可能需要掃描冷凍產品,找出發霉或變質的初期跡象。
像是強大 (紅色) 高度細緻模式等的那些深度學習演算法,可以從大量的圖元圖案中推斷含義。此外,生產中的組件間經常有不影響品質、性能或耐用性的細微差異。機器學習應用可以考量到這些差異,並據以調整。
然而,訓練神經網路時,不應以如此精確的程度進行,因為這樣做會將所檢測的一切剔除。訓練的目標在於,讓神經網路如同一般人那樣,從含有許多細微差異的大型資料集中做出微妙判斷。
使用 VisionPro Deep Learning 解決複雜診斷應用
使用 VisionPro Deep Learning 軟體,開發人員能夠運用廣泛多樣的工具組,包括 Red Analyze、Green Classify、Blue Locate、Blue Read 工具,即使是要求最嚴苛的應用需求也能滿足。在這些工具當中,Red Analyze 工具的 (紅色) 高度細緻模式提供圖元級缺陷分割功能,可探測和測量難以辨識的缺陷,像是瑕疵、裂縫、刮痕,以及製造產品上其他類型的缺陷。此工具可以準確學會缺陷的外觀,並以圖元級的精確度預測其在未訓練圖像中的出現位置。與其能力互補的工具一起使用,(紅色) 高度細緻模式可為各行各業的製造廠商帶來深度檢測能力,讓他們的檢測系統能以機器的速度,做出如人類一般的決策。最終結果?處理時間更迅速,品質也更高。