將機器視覺和深度學習相結合，將為公司在運營和投資回報率方面提供強大的手段。因此，抓住傳統機器視覺和深度學習之間的差異，了解這些技術如何相互補充而不是競爭或替代，對于投資至關重要。 在過去的十年中，技術的變化和進步是如此之多：設備移動性……大數據……人工智能(AI)……物聯網……機器人技術……區塊鏈……3D打印……機器視覺……在所有這些領域中，新穎的事物來自研發實驗室，以改善我們的日常生活。工程師喜歡采用技術并使之適應其艱難的環境和約束。在制造業中，戰略性地計劃采用和利用其中某些或全部技術將至關重要。
讓我們專注于AI，特別是基于深度學習的圖像分析或基于示例的機器視覺。與傳統的基于規則的機器視覺相結合，它可以幫助機器人組裝商識別正確的零件，幫助檢測產品上是否存在零件，零件缺失或組裝不當，并更快地確定這些零件是否有問題。這可以高精度地完成。
什么是深度學習
在不深入討論的情況下，讓我們談談GPU硬件。GPU(圖形處理單元)在單個芯片上收集了數千個相對簡單的處理核心。他們的體系結構看起來像神經網絡。它們允許部署模仿人類大腦的，受生物學啟發的多層“深度”神經網絡。圖1。
![]()
傳統機器視覺和深度學習之間的個區別包括：1.開發過程(基于工具的基于規則的編程與基于示例的培訓);2.硬件投資(深度學習需要更多的處理和存儲);3.工廠自動化用例。
通過使用這樣的架構，深度學習允許解決特定任務，而無需經過明確編程即可完成。換句話說，經典的計算機應用程序是由人為“特定于任務的”而編程的，但是深度學習使用數據(圖像，語音，文本，數字……)并通過神經網絡對其進行訓練。深度神經網絡從初始培訓期間開發的主要邏輯開始，隨著它們接收新數據的不斷改進其性能。
它基于檢測差異：它地查找一組數據中的變化和不規則性。它對不可預測的缺陷敏感/反應靈敏。人類自然可以做到這一點。基于剛性編程的計算機系統在這方面并不擅長。(但是與生產線上的檢查員不同，計算機不會因為不斷地執行相同的迭代而感到疲倦。)
在日常生活中，深度學習的典型應用是面部識別(用于解鎖計算機或在照片上識別人物)...推薦引擎(在流視頻/音樂服務上或在電子商務網站上購物時)...電子郵件中的垃圾郵件過濾...疾病診斷...欺詐檢測…
深度學習技術根據訓練后的數據提供非常準確的輸出。它被用于預測模式，檢測差異和異常以及做出關鍵的業務決策。現在，該相同技術正在遷移到用于質量檢查和其他基于判斷的用例的高級制造實踐中。
如果針對正確類型的工廠應用實施機器學習，則深度學習將擴大制造中的利潤(特別是與其他可能需要數年才能獲得回報的新興技術進行投資相比)。
深度學習如何補充機器視覺?
機器視覺系統依賴于具有特定光學元件的工業相機內部放置的數字傳感器。它獲取圖像。這些圖像被饋送到PC。專門的軟件處理，分析，測量各種特性以進行決策。機器視覺系統的性能穩定且零件制造良好。它們通過逐步過濾和基于規則的算法進行操作。
在生產線上，基于規則的機器視覺系統可以每分鐘高精度地檢查數百甚至數千個零件。它比人工檢查更具成本效益。視覺數據的輸出基于解決檢查問題的基于規則的程序化方法。
![]()
在工廠車間，傳統的基于規則的機器視覺非常適合：引導(位置，方向…)，標識(條形碼，數據矩陣代碼，標記，字符…)，測量(距離與指定值的比較……)，檢查(缺陷和其他問題，例如缺少安全密封件，損壞的零件……)。
基于規則的機器視覺非常適合使用一組已知的變量：是否存在零件?這個物體與那個物體到底有多遠?該機器人需要在哪里拿起這部分?這些作業很容易在受控環境中部署在裝配線上。但是，如果事情沒有那么明確會發生什么呢?
這是深度學習進入游戲的地方：•解決難以使用基于規則的算法進行編程的視覺應用程序。•處理容易混淆的背景和零件外觀變化。•維護應用程序并在工廠車間使用新的圖像數據進行重新培訓。•適應新示例，而無需重新編程核心網絡。
一個典型的工業示例：在電子設備屏幕上尋找劃痕。這些缺陷的大小，范圍，位置或背景不同的屏幕都將有所不同。考慮到這樣的變化，深度學習將分辨出良品與不良品之間的區別。另外，在新目標(如不同類型的屏幕)上訓練網絡就像拍攝新的參考圖片一樣容易。圖2.典型的工業示例：尋找尺寸，范圍，位置不同或背景不同的不同表面上的缺陷。
對于傳統的基于規則的機器視覺系統而言，檢查具有復雜表面紋理和外觀變化的視覺相似零件是嚴峻的挑戰。幾乎總是拒絕影響實用程序的“功能”默認值，但根據制造商的需求和偏好，可能不會拒絕“化妝品”異常。甚至更多：這些缺陷對于傳統的機器視覺系統來說很難區分。
由于難以隔離的多個變量(照明，顏色變化，曲率或視野)，，某些缺陷檢測很難用傳統的機器視覺系統進行編程和解決。深度學習再次帶來了其他合適的工具。
簡而言之，傳統的機器視覺系統可通過一致且制造精良的零件可靠地運行，并且隨著異常和缺陷庫的增長，應用程序的編程變得越來越困難。對于需要像人一樣的視覺以及計算機的速度和可靠性的復雜情況，深度學習將被證明是真正改變游戲規則的選擇。圖3。
![]()
圖3：與傳統的機器視覺相比，深度學習具有：1.專為難以解決的應用程序設計;2.易于配置;3.容忍變化。
深度學習對工業制造的好處
當采用下一代工廠自動化工具時，基于規則的機器視覺和基于深度學習的圖像分析相互補充，而不是一個選擇。在某些應用中，例如測量，基于規則的機器視覺仍將是且具有成本效益的選擇。對于涉及廣泛偏差和無法預測的缺陷的復雜檢查(在傳統的機器視覺系統中進行編程和維護非常繁瑣和復雜)，基于深度學習的工具提供了的選擇。
| 
發表于 2025-12-23 08:56:56
