人工智能和深度学习如何能进一步改善视觉检测过程

2020-04-01 17:14:16

次

人工智能和深度学习如何能进一步改善视觉检测过程

尽管自动化光学系统是一种强大的缺陷检测方法，但它们仍然相对较慢、不准确且维护成本昂贵。随着工业4.0的快速转型。在美国，大多数公司都不能再浪费时间和资源在长期设置上。例如，由于AOI很难隔离(例如，光照、曲率变化、颜色等)的许多变量，最终的装配验证程序极其困难。虽然统计模式匹配可以帮助容忍一些变化的项目的外观，复杂的表面纹理和图像质量问题可以提出一些严重的检查挑战。

此外，机器视觉系统通常无法处理以下问题:

它们无法正确区分视觉相似部分之间的变化和偏差。

此外，他们还难以正确区分“功能”缺陷（几乎总是导致拒收）和“外观”缺陷（部件整体外观的一些轻微问题，制造商认为这些问题并不重要）。

计算机视觉和基于深度学习的系统已经成为AOI系统的有力替代品，解决了上述缺点。

什么是计算机视觉?

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。