自動(dòng)外觀缺陷檢測(cè)一直是一項(xiàng)具有挑戰(zhàn)性的任務(wù)。過(guò)去，計(jì)算機(jī)視覺(jué)需要幾個(gè)月的編碼和調(diào)試。然而，有一種更有效的方法可以通過(guò)深度學(xué)習(xí)來(lái)解決機(jī)器視覺(jué)問(wèn)題?，F(xiàn)在，這些智能機(jī)器可以學(xué)習(xí)如何使用基于人類學(xué)習(xí)的示例訓(xùn)練來(lái)識(shí)別缺陷。
深度學(xué)習(xí)技術(shù)利用神經(jīng)網(wǎng)絡(luò)模擬人類的智能，在容忍復(fù)雜模式自然變化的同時(shí)，也區(qū)分了整容異常?；谏疃葘W(xué)習(xí)的系統(tǒng)擅長(zhǎng)檢查復(fù)雜的表面和外觀缺陷，如光滑、光亮或粗糙零件上的劃痕和凹痕。智能檢測(cè)技術(shù)在提高生產(chǎn)率、可重復(fù)性和生產(chǎn)率方面取得了成功。麥肯錫表示，如果制造商使用的圖像識(shí)別技術(shù)進(jìn)行視覺(jué)檢查和檢驗(yàn)，生產(chǎn)率可能會(huì)提高50%。與人工檢測(cè)相比，基于人工智能或人工智能的圖像識(shí)別可以將缺陷檢測(cè)率提高高達(dá)90%。
人工智能、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的定義
智能機(jī)器的智能化取決于人工智能——機(jī)器學(xué)習(xí)或深度學(xué)習(xí)的類型。這些術(shù)語(yǔ)通?？梢曰Q使用，但技術(shù)不同。
在高層次上，人工智能是一個(gè)通用領(lǐng)域，旨在模仿人類推理能力，利用軟件使機(jī)器變得智能。機(jī)器學(xué)習(xí)使用算法從數(shù)據(jù)中發(fā)現(xiàn)模式并產(chǎn)生見(jiàn)解。機(jī)器學(xué)習(xí)使用深度學(xué)習(xí)、回歸分析、貝葉斯網(wǎng)絡(luò)、邏輯規(guī)劃和聚類技術(shù)將人工智能應(yīng)用于系統(tǒng)。
深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)分支，它通過(guò)創(chuàng)建人工神經(jīng)網(wǎng)絡(luò)(ann)來(lái)模擬人腦中的神經(jīng)網(wǎng)絡(luò)。就像人腦解決問(wèn)題一樣，軟件接受輸入，處理輸入，產(chǎn)生輸出。這種方法使用由訓(xùn)練程序調(diào)整的權(quán)重來(lái)教神經(jīng)網(wǎng)絡(luò)如何正確響應(yīng)輸入。因此，更多的重復(fù)教學(xué)使人工神經(jīng)網(wǎng)絡(luò)更強(qiáng)大，從而更好地識(shí)別或預(yù)測(cè)。這就像一個(gè)孩子學(xué)習(xí)識(shí)別字母表或乘法表。
在工廠部署自動(dòng)缺陷檢測(cè)
越來(lái)越需要檢測(cè)消費(fèi)電子和醫(yī)療設(shè)備中的微米缺陷。與測(cè)量特定零件位置的計(jì)量學(xué)不同，缺陷出現(xiàn)在多個(gè)位置和組合中。例如，智能手機(jī)可能在許多地方有劃痕、凹痕和缺口，包括外殼、曲面和蓋板玻璃。制造商需要加工整個(gè)零件來(lái)捕捉這些缺陷。
深度學(xué)習(xí)在醫(yī)療器械制造中也有一些應(yīng)用。可以發(fā)現(xiàn)股骨和膝關(guān)節(jié)假體的劃痕等缺陷，可以檢查三種器械的包裝和密封情況。深度學(xué)習(xí)愿景還確保在組裝驗(yàn)證期間，所有組件都存在于包裝中，例如外科手術(shù)套件中的零件。除了缺陷檢測(cè)之外，深度學(xué)習(xí)往往可以對(duì)缺陷類型進(jìn)行分類，實(shí)現(xiàn)閉環(huán)過(guò)程控制。在訓(xùn)練深度學(xué)習(xí)系統(tǒng)時(shí)，重要的是創(chuàng)建樣本圖像的數(shù)據(jù)集來(lái)構(gòu)建和訓(xùn)練模型，從每個(gè)缺陷的30到50個(gè)圖像開(kāi)始，具有相同數(shù)量的好零件。然后，您可以添加一個(gè)新圖像來(lái)反映錯(cuò)誤的拒絕和接受情況。通過(guò)定義一系列零件、材料和缺陷類型，制造商可以強(qiáng)調(diào)訓(xùn)練集的可變性。還建議由兩名人類對(duì)圖像進(jìn)行獨(dú)立分級(jí)進(jìn)行驗(yàn)證，并確認(rèn)其判斷的一致性。通常每個(gè)缺陷需要一周的時(shí)間來(lái)訓(xùn)練模型。
在選擇圖像來(lái)訓(xùn)練系統(tǒng)時(shí)，垃圾輸入和垃圾輸出的概念非常重要。在預(yù)期的光照和光學(xué)條件下，收集好的和壞的圖像數(shù)據(jù)集是理想的。捕捉困難表面的高對(duì)比度圖像，如玻璃和鏡面紋理顏色材料，需要定制的照明技術(shù)、成像和零件操作。
與右側(cè)的高分辨率圖像相比，左側(cè)低對(duì)比度圖像中的缺陷難以檢測(cè)。
低質(zhì)量的圖像使得軟件和人工評(píng)分者都難以訓(xùn)練，這導(dǎo)致分類和可重復(fù)性問(wèn)題。為了盡量減少假陰性和假陽(yáng)性，盡量使用5到10像素的高對(duì)比度圖像來(lái)描述的缺陷。例如，在檢查智能手機(jī)上的劃痕時(shí)，機(jī)器視覺(jué)將被放大，以聚焦分辨率水平為5微米的圖像。擁有高質(zhì)量的圖像可以幫助分類員驗(yàn)證圖像，并幫助軟件識(shí)別劃痕缺陷和可接受的加工痕跡之間的差異。
當(dāng)深度學(xué)習(xí)視覺(jué)系統(tǒng)準(zhǔn)備進(jìn)行量產(chǎn)檢測(cè)時(shí)，請(qǐng)考慮使用兩層檢測(cè)方法。在第1層，所有零件都使用具有深度學(xué)習(xí)機(jī)器視覺(jué)的自動(dòng)檢查。然后在第2層手動(dòng)確認(rèn)所有有邊界缺陷零件的結(jié)果。這為深度學(xué)習(xí)系統(tǒng)的增量訓(xùn)練改進(jìn)提供了可靠性和冗余性。
基于深度學(xué)習(xí)的圖像分析無(wú)論是用于特征定位、讀取、檢測(cè)還是分類，都是一種快速靈活的提高零件質(zhì)量的方法。
