深度学习工厂自动化检测的 4 个工具

在汽车制造中保持一致的质量可能颇具挑战性，特别是在出现不可预知缺陷的情况下。深度学习检测系统使用数字相机和图像识别算法学习来识别各种问题，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厂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：

• 开发人员通过一组优质产品的训练图像生成“正确”的产品外观。
• 开发人员添加含有缺陷的图像，以发现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。机器学习应用将新图像与训练图像对比，然后标记缺陷。
• 应用经过优化，会从成功的案例中学习，并尽量避免失败，通过自主学习，结果会变得越来越准确。

用来打造深度学习应用的软件必须具备四个核心功能：
 

1. 特征定位和装配验证

查找缺陷并非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组件，从而帮助完成一些任务，例如引导机械臂正确地对位组件。这种能力对于半导体、智能手机和制药等高精度产品非常重要。

这些应用程序还可以扫描并计算某个位置的产品数量。然后，它可能会告诉机器人继续添加更多相同产品，直到货架或纸箱装满。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。

了解更多：使用深度学习装配验证工具识别各种组件或零件配置
 

2. 缺陷检测和分离

识别缺陷可能是深度学习软件在生产环境中最重要的功能。虽然机器视觉系统可通过编程标记一种缺陷，但标记多种缺陷时会非常耗时。

缺陷检测工具从一组“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：深度学习缺陷检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，从而让应用在无人干预的情况下具备自我完善能力。一般来讲，图像是根据特定的特性进行标记的，然后根据参数进行分类。通过该过程，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。

​扩展阅读：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，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。生产线上的照明条件可能会有变化，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，在配送、物流和商业系统中找到了自己的用武之地。

应用示例：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。