CN / EN
banner圖
掌握核心技術 駕馭光的運用

技術文章

視覺檢測的發展

日期:2019-04-23 來源:币游国际
深度學習帶來的突破
         傳統的機器學習在特征提取上主要依靠人來分析和建立邏輯,而深度學習則通過多層感知機模擬大腦工作,構建深度神經網絡(如卷積神經網絡等)來學習簡單特征、建立複雜特征、學習映射並輸出,訓練過程中所有層級都會被不斷優化。在具體的應用上,例如自動ROI區域分割;標點定位(通過防真視覺可靈活檢測未知瑕疵);從重噪聲圖像中檢測無法描述或量化的瑕疵如橘皮瑕疵;分辨玻璃蓋板檢測中的真假瑕疵等。隨著越來越多的基於深度學習的機器視覺軟件推向市場,深度學習給機器視覺的賦能會越來越明顯。
3D視覺的發展

         3D視覺還處於起步階段,許多應用程序都在使用3D表麵重構,包括導航、工業檢測、逆向工程、測繪、物體識別、測量與分級等,但精度問題限製了3D視覺在很多場景的應用,目前工程上最先鋪開的應用是物流裏的標準件體積測量,相信未來這塊潛力巨大。
視覺檢測的發展_heydanbo.com
要全免替代人工目檢,機器視覺還有諸多難點有待攻破
         1)光源與成像:機器視覺中優質的成像是第一步,由於不同材料物體表麵反光、折射等問題都會影響被測物體特征的提取,因此光源與成像可以說是機器視覺檢測要攻克的第一個難關。比如現在玻璃、反光表麵的劃痕檢測等,很多時候問題都卡在不同缺陷的集成成像上。
         2)重噪音中低對比度圖像中的特征提取:在重噪音環境下,真假瑕疵的鑒別很多時候較難,這也是很多場景始終存在一定誤檢率的原因,但這塊通過成像和邊緣特征提取的快速發展,已經在不斷取得各種突破。
         3)對非預期缺陷的識別:在應用中,往往是給定一些具體的缺陷模式,使用機器視覺來識別它們到底有沒有發生。但經常遇到的情況是,許多明顯的缺陷,因為之前沒有發生過,或者發生的模式過分多樣,而被漏檢。如果換做是人,雖然在操作流程文件中沒讓他去檢測這個缺陷,但是他會注意到,從而有較大幾率抓住它,而機器視覺在這點上的“智慧”目前還較難突破。


返回列表