深度学习+机器视觉=AI智能检测

深度学习
深度学习


点击蓝字关注我们



将机器视觉和深度学习结合起来,将为企业在运营和投资回报(ROI)方面提供强大的手段。因此,抓住传统机器视觉和深度学习之间的差异,并理解这些技术如何相互补充——而不是竞争或替代——对于实现投资最大化至关重要。




深度学习

在没有深入细节的情况下,让我们先了解下GPU硬件。GPU(图形处理单元)在单个芯片上收集数千个相对简单的处理核心。他们的架构看起来像神经网络。它们允许部署模仿人类大脑的生物学启发和多层“深层”神经网络。

传统机器视觉和深度学习之间的第一个区别包括:

1.开发过程(基于工具的规则编程与基于实例的培训);

2.硬件投资(深度学习需要更多的处理和存储);

3.工厂自动化用例。


通过使用这种架构,深度学习允许在没有明确编程的情况下解决特定任务。换句话说,经典计算机应用程序由人类编程为“任务特定”,但深度学习使用数据(图像,语音,文本,数字……)并通过神经网络训练它。从初始训练期间开发的主要逻辑开始,深度神经网络将在接收新数据时不断改进其性能。


它基于检测差异:它永久地查找一组数据中的变更和不规则。它对不可预测的缺陷反应敏感,人类天生擅长这一点。基于严格编程的计算机系统并不擅长。(但与生产线上的人工检查员不同,计算机不会因为不断进行相同的迭代而感到疲倦。)


在日常生活中,深度学习的典型应用是面部识别(解锁计算机或识别照片上的人)…推荐引擎(流媒体视频/音乐服务或在电子商务网站购物时)…电子邮件中的垃圾邮件过滤…疾病诊断…信用卡欺诈识别…


深度学习技术基于训练数据做出非常精确的输出。它被用于预测模式、检测差异和异常,以及做出关键的业务决策。同样的技术现在正在迁移到高级制造实践中,用于质量检查和其他基于判断的用例。


计算机视觉



计算机视觉是人工智能和机器学习的一个子领域,它基于特定的算法和其他方法,使计算机能够理解数字图像的内容。简而言之,计算机视觉软件试图再现人类视觉的能力。

大多数计算机视觉工具的目标是解决两个特定的任务:

对象分类:模型是在特定对象(例如缺陷图像)的数据集上进行训练的,然后它将新对象分类为属于您的一个或多个训练类别。

对象识别:对模型进行训练,以识别对象的特定实例。例如,当它确定图像中的两个组件时,可以将其中一个标记为电路板,另一个标记为微控制器。

以下是计算机视觉的工作原理:



深度学习如何拓展机器视觉?


机器视觉系统依赖于放置在带有特定光学元件的工业相机内的数字传感器获取图像,这些图像被输入PC,通过专门的软件处理,分析,测量各种决策特征。机器视觉系统可靠、一致且保障制造精良的零件。它们通过逐步过滤和基于规则的算法运行。


在生产线上,基于规则的机器视觉系统可以高精度地每分钟检查数百甚至数千个零件。它比人工检查更具成本效益。可视化数据的输出是基于解决检查问题的程序化、基于规则的方法。


在工厂车间,传统的基于规则的机器视觉非常适合:指导(位置,方向……),识别(条形码,数据矩阵代码,标记,字符……),测量(距离与指定值的比较……),检查(缺陷和其他问题,如缺少安全封条,破损部分……)。


基于规则的机器视觉具有一组已知的变量:是存在还是不存在?这个物体与那个物体究竟有多远?这个机器人需要在哪里拿起这个部件?这些作业易于在受控环境中在装配线上部署。但是当事情不那么明确时会发生什么呢?


这就是需要深度学习的地方:

解决视觉应用程序太难以使用基于规则的算法进行编程。

处理令人困惑的背景和零件外观的变化。

维护应用程序并在工厂车间重新训练新的图像数据。

无需重新编程核心网络即可适应新的示例。


一个典型的工业例子:寻找电子设备屏幕上的划痕。这些缺陷在大小、范围、位置或具有不同背景的屏幕之间都有所不同。考虑到这些变化,深度学习将区分出好的和坏的部分。此外,在一个新的目标上训练网络(就像在一个不同的屏幕上)就像拍摄一组新的参考图片一样简单。


对于传统的基于规则的机器视觉系统来说,检测具有复杂表面纹理和外观变化的视觉相似部件是一个严峻的挑战。影响实用程序的“功能”缺省值几乎总是被拒绝的,但是“外观”异常可能不会被拒绝,这取决于制造商的需求和偏好。更重要的是:这些缺陷是传统机器视觉系统难以区分的。


由于难以分离的多个变量(光照、颜色变化、曲率或视野),一些缺陷检测非常难以用传统的机器视觉系统编程和解决。在这里,深度学习带来了其他合适的工具。


简而言之,传统的机器视觉系统使用一致且制造精良的零件可靠地执行,随着异常和缺陷库的增长,应用程序变得难以编程。对于需要人类视觉以及计算机速度和可靠性的复杂情况,深度学习将被证明是一个真正改变游戏规则的选择。




基于深度学习的智能缺陷检测应用


考虑涉及高价值制造业的行业的重要性——航空航天、汽车、建筑、医疗器械。零部件上的缺陷可以被证明是致命的。


同时,这些行业(就像许多其他行业一样)面临着更快“进入市场”的压力,如果它们要保持竞争力并满足客户/客户的生产期限的话。计算机视觉和深度学习可以证明是应对这些压力的方法,同时还能确保零部件没有缺陷。


以下是一些由不同行业的制造商执行的概念部署和技术证明的例子:



 1.航空业 

这不仅是一个满足对飞机所有零部件生产要求和规格的问题,而且是一个在事后发现缺陷时代价高昂的延迟问题。


据波音公司称,在2.6万亿美元的航空服务市场中,70%的份额用于质量和维护。考虑到仅2016年美国的机械问题就估计耗资超过5亿美元,这应该不足为奇。此外,航班延误(许多乘客滞留)约有三分之一与维修有关。


视觉检测技术与DL相结合,可以将组件与规格进行比较,发现生产过程中的缺陷。除此之外,制造商还应满足定期维护要求,以确保乘客安全,并遵循政府的指导方针。这些技术可以识别以下缺陷和问题:


●腐蚀-计算机视觉系统可以在更短的时间内对各个部件进行检查,并返回更彻底的检查结果。


●发动机内部部件的磨损-对发动机内部部件进行远程目视检查,以确保有效和安全的运行


●铝板厚度(通过三维测量)-厚度计可以提供高精度,无损读数对大型和复杂的铝板;并将收集到的数据上传到您的系统进行进一步的分析。


●自动车轮检查-接收有关飞机车轮疲劳裂纹的即时数据。通过使用由计算机视觉驱动的系统,操作人员不必浪费时间在冗长的检查上,可以专注于手头的其他工作。


●叶片在制造或修理后的检查-计算机射线照相和数字射线照相可用于检查叶片的关键缺陷。因此,无需使用数字格式的化学品,就可以快速获得图像。后者可以进一步进行失效分析,并带来精确的三维测量。



 2.汽车行业 

安全问题让OEM和一级供应商夜不能寐。这是乘客的风险/死亡问题,也是公司声誉的问题。最近,丰田同意支付13亿美元的和解金,原因是一项缺陷导致汽车加速,即使司机试图减速。美国有6人死于这种缺陷。


利用视觉检查、人工智能和深度学习的认知能力,原始设备制造商可以更准确地分析和识别质量问题,甚至在问题发生之前就解决它们。随着时间的推移,当他们熟悉更多类型的缺陷时,这些可视化的洞察和分析可以确定缺陷的严重程度。


一家领先的汽车制造商采用智能光学检测解决方案来检测金属表面的划痕和凹痕缺陷。对于人类检查员来说,在光亮的表面上发现这样的缺陷是极其困难的。传统的机器检查也没有什么帮助,因为系统不能捕获不可预测的凹痕或划痕缺陷。另一个问题是,该系统必须由人类员工进行培训,提供有缺陷部件的图像,教会它分辨哪些部件是可以接受的,哪些部件是不可接受的。然而,公司一开始就有一个相当低的缺陷率,它花费了他们大量的时间和精力来收集一个小的可视化数据集来表示足够的缺陷变化。最终,他们选择了一个更“智能”的系统,并很快意识到采用后的好处如下:


●降低66%的检验成本

●假阳性率降低33%

●假阴性率维持在1%以下


 3.计算机设备制造业 

自动光学检测(AOI)曾经是制造业计算机设备的自然选择,特别是由于对小型电路板设计的需求正在增长,而且在某些情况下,缺陷可能被证明是高度有害的。

除此之外,AOI还可以检测到:

区域缺陷

组件偏移

焊料问题

外来材料

高度和体积缺陷

短路

安装错误


当为AOI检查设置规格和方差裕度时,它们要比人工检查精确得多。然而,AOI系统仍然无法检测到设备的“外观”问题。


这就是为什么富士通实验室一直在率先为电子行业开发支持人工智能的识别系统,并在质量、成本和交付方面报告了大量进展。通过遗传编程,该公司的图像识别系统实际上生成了检测代码,能够产生几乎100%的识别率。将该技术应用于生产现场,开发时间减少80%左右,识别率达到97%。


然而,不仅仅是高价值的制造可以使用自动化的视觉检查和人工智能。考虑一下这两个来自以消费者为基础的行业的例子。


  4.玻璃行业 

这个行业经常面临的问题之一是玻璃在生产过程中的缺陷——切屑、划痕等。通常,当前的检测方法会产生“假阳性”,例如水滴被识别为切屑。


通过自定义计算机视觉和人工智能模型的实现,可以消除这些类型的错误。在一个案例中,正确的缺陷识别为一家大型玻璃制造商在每条生产线上平均节省了3.6万美元,总计每年节省近100万美元。


 5.纺织行业 

在某个时刻,我们所有人都买了衣服,发现里面贴着“被(某个数字)检查过”的小标签。这意味着人工检查产品在缝纫、织造等方面的缺陷,并确定其符合公司的质量规格。显然,这是一个代价高昂且容易出错的过程。接受有缺陷产品的客户必须经过退货/换货程序,这是公司不喜欢的。



自动视觉检查的实现,以及DL功能,现在可以检测纹理、编织、缝合,甚至颜色匹配的问题。当发现缺陷时,不仅可以将纺织品或产品从生产线上移除,而且还可以发现缺陷的根源,并在未来进行修复和预防。


同时,可以对这些系统进行微调,以接受更大范围的容错能力。例如,Datacolor的人工智能系统可以考虑过去由人工操作人员进行的视觉检查的历史数据,从而创建与视觉检查样本更接近的自定义公差。


纺织业最新的人工智能用例之一是创建一个检测和测量织物褶皱的系统。目前织物起皱性能的测量大多是手工进行的,比较繁琐。计算机视觉驱动的皱纹测量可以帮助制造商降低成本和时间所需的这一过程。

END


质量控制仍然是一个公司保持制造标准、客户满意度以及最终声誉和利润的主要因素。计算机视觉和深度学习在几乎每个工业部门都具有巨大的质量控制潜力。如此之多,以至于大多数高管计划在未来3年内将认知计算在运营优化方面的应用增加一倍。



素材参考:新机器视觉

免责声明:图片来源于网络,版权归原作者所有,如有侵权,请联系删除。



通志自动化科技

Tongzhi自动化


标签
推荐