康耐視部落格

深度學習與傳統機器視覺有何不同

cognex deep learning banner

基本上,機器視覺系統仰賴工業相機內保護的數位感測器,利用專業光學件配置擷取圖像。這些圖像隨後都會送到個人電腦,以便專業軟體處理、分析,以及測量各種不同特徵,以進行決策。

不過,這些視覺系統都非常死板,並只限工廠自動化環境內的應用使用。傳統機器視覺系統在辨識一致且製造良好的組件時的表現穩定可靠。這類系統透過逐步篩檢和基於規則的演算法來運作,比人工檢測更具成本效率。

生產線上基於規則的機器視覺系統每分鐘可檢測數百個,甚至數千個組件。但依然根據基於規則的程式設計方法,解決這類視覺資料輸出的檢測問題,使得機器視覺適合用於:

  • 引導:找到組件的位置與方向,和指定的誤差範圍比較,並確保所處的角度正確,以驗證裝配恰當。用來為其他機器視覺工具找出組件的主要特徵。
  • 識別:讀取條碼 (一維)、DataMatrix 碼 (二維)、直接部件標識 (DPM) 以及印在組件、標籤及包裝上的字元。還可根據色彩、形狀或大小來識別項目。
  • 測量:計算物件上兩個以上單點或幾何位置之間的距離,並判定這些測量結果是否符合規格。
  • 檢測:找出產品中的瑕疵或其他不規則處,例如標籤是否正確地黏貼,或安全密封、封蓋存在與否等。

深度學習使用基於範例的方法來解決某些工廠自動化難題。運用神經網路,根據一組加上標籤的範例,教導電腦識別合格的圖像,深度學習將能分析缺陷、找到並分類物件,以及讀取列印的標識等。

實際上,這表示公司能嘗試檢測電子裝置螢幕,尋找掛擦、碎片或其他缺陷。即使背景不同,缺陷的尺寸、範圍、位置也各異,或遍及螢幕各處,都不成問題。使用深度學習,能考量那些預期的變化,進而辨識合格與有缺陷組件之間的差異。再者,像是不同種類的螢幕,想針對這類新目標訓練神經網路,只要拍攝一組新的參考圖片即可,就是這麼簡單。

deeplearningcellphone 

因此,深度學習特別擅長:

  • 解決太難以使用基於規則的演算法撰寫程式的視覺應用
  • 處理雜亂背景和組件外觀上的各種變化
  • 維護應用和使用新的圖像資料在工廠現場預先訓練
  • 採用新的範例,而不必重新設計核心神經網路

目前正逐漸採用深度學習的應用,過去常以人工完成檢測,像是最終裝配檢查。過去曾認為這些工作難以自動化。利用深度學習工具,現在能使用視覺系統,更為一致、可靠且迅速地在生產線完成這類工作。

人類擅長將類似但不同的物品分類。我們只要幾秒的時間,便能理解一組特定物件間的變化。就這個意義上,深度學習工具結合了人類進化智力與基於規則的傳統機器視覺所具備一致性、再現性及可擴充性的優點。

能否瞭解這些不同之處,就是公司邁向工廠自動化的關鍵。因為這些不同之處,就是決定要在工廠自動化應用中運用哪項優點的關鍵。

雖然傳統機器視覺系統在辨識一致且製造良好的組件時的表現穩定可靠,但隨著例外與缺陷資料庫逐漸增長,演算法變得越來越難以程式化。換句話說,工廠自動化所需的一些應用終究會不適合採用基於規則的機器視覺。

組件外觀的複雜表面特徵與變化引發艱鉅的檢測難題。基於規則的機器視覺系統難以鑒別外表極為相似組件之間的變化與誤差。「功能性」異常會影響組件的效用,向來是剔除主因,外觀異常卻可能不是,其取決於製造廠商的需求和偏好。最大的問題是,傳統機器視覺系統根本難以分辨這些缺陷。

像是缺陷探測等有些傳統機器視覺檢測,眾所周知相當難以程式化,原因是有許多機器難以隔離的變數,例如:照明,還有色彩、曲面或視野方面的變化。

這本身並不是問題,但在有更適合的工具可用時,嘗試利用機器視覺來解決應用時,就會造成問題。雖然傳統機器視覺系統在辨識一致且製造良好的組件時的表現穩定可靠,但隨著例外與缺陷資料庫逐漸增長,應用變得越來越難以程式化。換句話說,工廠自動化所需的一些應用終究會不適合採用基於規則的機器視覺。

deeplearningchart

能否瞭解這些不同之處,對於公司是否邁向工廠自動化的至關重要。因為這些不同之處,就是決定要在工廠自動化應用中運用哪項優點的關鍵。

雖然我們知道,深度學習可促進工廠自動化轉型,但這只不過是作業人員可用來完成工作的另一項工具。對於特定工作類型,基於規則的傳統機器視覺是有效的工具。面對複雜的情況時,則需要有人類般的視覺和電腦般的速度與可靠性,選擇深度學習將可真正扭轉競爭局面。

如需深入瞭解製造業的深度學習技術,請下載免費電子書:比較深度學習與機器視覺

其他文章

取得產品支援與訓練等等

加入 MyCognex

是否有任何疑问?

世界各地的康耐视代表可以随时为您提供支持,满足您的视觉和工业读码需求。

聯絡我們