首先，我們得知道工業(yè)機器視覺一般需要處理什么任務？

機器視覺作為一種基于2D或者3D相機傳感器的工業(yè)自動化技術，在工業(yè)視覺領域具有廣泛而成熟的應用。

在3C、半導體、汽車等行業(yè)大量使用機器視覺技術進行異常識別、標簽識別等、物料定位等工作。

工業(yè)自動化離不開感知技術和運動控制技術，就像人離不開眼和手。而人體所獲得的信息，80％來自于視覺，可想而知，視覺感知技術一定是工業(yè)自動化領域最重要的技術之一。

而傳統(tǒng)機器視覺，是存在明顯局限的。

傳統(tǒng)機器視覺存在什么局限

傳統(tǒng)機器視覺的圖像處理系統(tǒng)，其工作原理簡單理解起來是這樣：

1、在圖像中找到邊、角等人為定義的目標特征；

2、基于目標特征在圖像中存在與否、多個目標特征之間的距離的數(shù)值進行邏輯判斷來完成視覺任務。

使用這套技術，需要由視覺工程師基于視覺任務的特定需求，進行目標特征的定義以及數(shù)值判斷的閥值定義，設計好了之后形成程序由機器執(zhí)行。

而傳統(tǒng)機器視覺邏輯簡單的局限性，則體現(xiàn)在無法適用于隨機性強、特征復雜的工作任務。

由于只能從有限的特征中進行排列組合，視覺工程師無法通過”邊“、”角”來表達“密集的點狀凹凸不平”這種綜合的、復雜的判斷目標。或者表達能力很差，導致識別準確度不好。

因此，傳統(tǒng)機器視覺是無法解決以上問題的。

而這樣的復雜特征問題，恰恰是深度學習技術最擅長解決的問題。

深度學習如何解決復雜特征問題

相比傳統(tǒng)機器視覺通過視覺工程師來設計算法模型，深度學習技術最大的不同在于，程序能夠自主發(fā)現(xiàn)需要用什么特征，通過什么樣的邏輯關系來完成圖像分析任務，實現(xiàn)由程序來設計算法模型。

以樂高積木來類比的話，在傳統(tǒng)機器視覺里，人類的工作是從100個樂高元素里挑出數(shù)十個，組裝起來執(zhí)行人類設計好的邏輯動作，完成相關任務；

而深度學習里，人類告訴機器需要完成的任務，由機器從1億個樂高元素里，挑出數(shù)萬個，組裝起來并選擇需要執(zhí)行的邏輯動作來完成該任務。其表達能力遠遠高于人類專家。

由于深度學習可以從更多的特征可能性中進行選擇，并自行決定特征之間的邏輯關系，深度學習就具備了通過從海量像素點中，選擇一組特征，并通過這組特征表達‘密集的點狀凹凸不平’的能力。

在實際應用中，使用深度學習訓練的模型可以準確地對圖片中的隨機缺陷進行識別，并可以準確地將指定的缺陷有效地標識出來，真正實現(xiàn)了隨機性強、特征復雜的隨機缺陷的檢測。

深度學習能否達到工業(yè)精度要求

我們通常會認為，工業(yè)應用對于技術精度和穩(wěn)定性的要求要高于民用技術。

所以，在消費領域火熱的深度學習技術，是否能夠滿足工業(yè)指標呢？我們以外觀缺陷檢測為例，看看工業(yè)檢測具體需要考慮哪些指標。

漏判率：漏判會直接造成不良品流向終端客戶。所以漏判率要求通常低于 100 PPM。

誤判率：誤判會直接對工業(yè)企業(yè)的良率造成影響，會造成物料的浪費。企業(yè)對誤判率的要求通常要求在1％－5％之間。在漏判率達標的前提下，只有大幅降低誤判率，才能達到減人的目標。

節(jié)拍：不同行業(yè)有較大差異，如電子行業(yè)的節(jié)拍要求在5秒以內，機械加工行業(yè)的節(jié)拍要求在幾十秒以內。

一方面，深度學習目前的行業(yè)普遍技術水平已經(jīng)能夠達到95％以上的判定準確率。通過平衡漏判率和誤判率，更加嚴格地控制漏判，可以讓漏判率降到100PPM以下，而誤判率降到5％以下。

另一方面，針對節(jié)拍的要求，由于目前GPU顯卡可以達成每秒80禎的圖像處理速度，5秒內可以完成400張圖片的判定。

而一般3C行業(yè)的產(chǎn)品較小，只需要10張以內的照片就可以完成產(chǎn)品的覆蓋，比如大的機加工產(chǎn)品，也只需不到100張圖片進行產(chǎn)品表面的全覆蓋。圖像處理的速度完成可以滿足節(jié)拍的要求。

所以，如果你的工業(yè)生產(chǎn)線中，也需要用的到深度學習方面的技術，那么不妨和我們盈泰德科技聊聊，我們會先根據(jù)你的需求分析，從一個專業(yè)的角度免費來給你設計一個合適你的方案，然后聽取你的意見，再詳細洽談，最后即使沒能達成合作，我們也非常希望能多認識個朋友。