深度学习大潮中的工业视觉检测
发布者:联优视觉 发布时间:2020-01-02

深度学习大潮中的工业视觉检测

深圳市联优视觉技术有限公司

在2010年以前,机器视觉技术广泛应用于工业检测中。通常,算法工程师从自己对当前问题的理解和知识,对问题进行模型近似,然后结合自己的理论和技术进行问题求解。每个解决方案的性能与工程师的能力息息相关,很容易就可以看到解决方案的上限。而且,由于当时图像算法技术和理论所限,解决方案中通常会有很大一部分努力是在于如何通过光照(要求视觉光源)、相机和镜头选型(要求工业相机和工业镜头的性能)来优化成像方案的方式来简化问题,缩小问题边界,来降低算法适用性过小的不利影响。

进入2010年后,深度学习理论席卷学术圈,也对机器视觉理论和技术带来了深远的影响。很多机器视觉的领头企业也在这个方面进行发力,例如Cognex。深度学习的主要影响体现在以下方面:1.数据与模型的关系发生质的变化。传统理论和技术中,模型为主,数据为辅,模型在设计时通常都假定能够适用大多数情况,例外发生时,收集数据,再由工程师进行模型修正;基于深度学习的理论和技术,数据为主,模型隐藏于数据当中,或者说由数据训练而来。2.技术适用性大大增强。在数据足够的情况下,基于深度学习的技术或者解决方案,具备很强的鲁棒性,其所能带来的性能大大超出算法工程师的能力边界。因此,对于光照、成像环节的要求大大降低。3.系统行为的可预测性大大降低,由于训练数据的庞大与前向网络的高度非线性,想要对该系统进行较详尽的分析已经没有可能。因此,使用中出现的问题,很难分析其根由,不像传统技术,review代码即可知道在模型在哪一方面有不足或者是因为什么代码BUG引起的。

但是,需要指出的是,基于深度学习理论和技术也是有其边界,也有其不擅长的领域。深度学习理论和技术比较适合用来解决判断逻辑,譬如“检测当前图像是否有缺陷?”,“更像何种类型的缺陷?”等检测与分类问题。但是对于测量等应用,则会不太适用。其根由在于,作为对标人类智能的理论和技术,在大多数应用领域中,深度学习理论技术还是以模仿或者逼近人类智能为其目标。而人类智能对识别擅长,但是对于测量等问题并不擅长,因此以学习人类为目标的深度学习理论和技术也依然受此限制。同时,深度学习理论和技术的出现,并不意味着传统打光、成像技术就没有用武之地。而且,在比较大型的应用中(例如人脸识别),也经常能看到同时集成了传统算法技术和深度学习理论技术的解决方案。一个设计合理的方案与系统,会大大简化我们待解决问题的维度与复杂度,从而大大缩短我们训练网络的数据量和时间,也同时大大降低网络的复杂度(网络规模和参数量),从而会大大降低我们解决方案所需的计算资源要求,这对于IOT等场合无疑是我们优先考虑的选项。

总之,深度学习理论和技术给机器视觉领域带来冲击,并产生了深远的影响,这种技术与传统技术之间的融合将会大大推进机器视觉领域的发展。