傳統(tǒng)的機(jī)器視覺檢測方法以一種正常的模式定義了缺陷標(biāo)準(zhǔn)，例如亮度和半徑，這需要手動(dòng)設(shè)置閾值。因此，必須對圖像中的目標(biāo)對象的每一個(gè)潛在缺陷進(jìn)行量化。

使用深度學(xué)習(xí)軟件，基于樣本的算法，利用可接受的產(chǎn)品和不可接受的產(chǎn)品的圖像進(jìn)行訓(xùn)練，這與需要手動(dòng)設(shè)置缺陷標(biāo)準(zhǔn)的基于規(guī)則的算法不同。通過深度學(xué)習(xí)算法，軟件能自動(dòng)學(xué)習(xí)和分析缺陷標(biāo)準(zhǔn)，并區(qū)分正常的和有缺陷的目標(biāo)圖像。

圖1：SuaKIT提供分割、分類與檢測以及四種不同的深度學(xué)習(xí)架構(gòu)。

然而，訓(xùn)練深度學(xué)習(xí)模型需要大量的圖像數(shù)據(jù)，顯示可接受和不可接受的部分。雖然獲完好產(chǎn)品的圖像相對容易，但是缺陷圖像卻比較稀少，因此很難對缺陷標(biāo)準(zhǔn)進(jìn)行量化。

為了解決缺乏缺陷數(shù)據(jù)的問題，數(shù)優(yōu)公司（SUALAB）的工程師依靠的是該公司SuaKIT深度學(xué)習(xí)軟件的“OneClass學(xué)習(xí)”功能中的數(shù)據(jù)增強(qiáng)技術(shù)。

“數(shù)據(jù)增強(qiáng)通過脫色、翻轉(zhuǎn)或旋轉(zhuǎn)來轉(zhuǎn)換圖像，”SUALAB市場營銷經(jīng)理HanjunKim解釋說，“它還可以創(chuàng)建具有不同亮度的圖像，從而減少由于光學(xué)條件變化而引起的問題?！?/p>

圖2：使用“分割”功能，可以準(zhǔn)確地檢測缺陷的位置、面積和形狀。

深度學(xué)習(xí)算法的黑盒子特性，使得追蹤問題變得較為困難，當(dāng)涉及到理解某些部分失敗的原因時(shí)，會讓用戶感到茫然。

SuaKIT的可視化調(diào)試器功能，可以幫助用戶找到深度學(xué)習(xí)算法識別出缺陷的部分?？梢暬{(diào)試器還能識別深度學(xué)習(xí)算法使用的標(biāo)準(zhǔn)。

縮短產(chǎn)品生命周期和混合模型處理，也對制造領(lǐng)域的實(shí)際深度學(xué)習(xí)應(yīng)用提出了挑戰(zhàn)。每當(dāng)出現(xiàn)新類型的缺陷或引入產(chǎn)品變更時(shí)，用戶必須開發(fā)新的深度學(xué)習(xí)模型，這無疑將消耗時(shí)間和資源。SuaKit通過一種稱為“域適應(yīng)”的遷移學(xué)習(xí)法克服了這些問題，該遷移學(xué)習(xí)利用相關(guān)源域中的預(yù)標(biāo)記數(shù)據(jù)來執(zhí)行新任務(wù)。Kim解釋說，通過利用圖像數(shù)據(jù)和現(xiàn)有產(chǎn)品模型等資源，可以減少新產(chǎn)品中缺陷檢測所需的資源。

圖3：應(yīng)用“檢測”功能，可以在單幅圖像中檢測各種類型的目標(biāo)對象，并進(jìn)行分類。

深度學(xué)習(xí)軟件（SuaKIT等）的應(yīng)用取代了人眼視覺檢查的需求，允許檢查人員解放出來并轉(zhuǎn)移到工廠內(nèi)的其他制造過程或任務(wù)中，從而提高生產(chǎn)率。例如，印制電路板（PCB）具有復(fù)雜的電路圖案，對于PCB上的缺陷檢測，傳統(tǒng)的機(jī)器視覺檢測方法（如模式匹配）可以找出主圖像和捕獲的產(chǎn)品圖像之間的差異，但深度學(xué)習(xí)技術(shù)更有效。

“在一家部署了SuaKIT的工廠中，使用傳統(tǒng)機(jī)器視覺檢測方法識別有缺陷的產(chǎn)品時(shí)，準(zhǔn)確率低于40％。而且過檢率(over-detectionrate)也很高，即使在自動(dòng)檢查完成后，也至少需要三名檢查員再手動(dòng)檢查產(chǎn)品?！盞im說，“采用SuaKIT深度學(xué)習(xí)軟件，將檢測準(zhǔn)確度提高到了97.4％，并且在該應(yīng)用中的過檢率大大降低，減少了需要檢查的圖像數(shù)量?！?/p>

深度學(xué)習(xí)軟件提供了一種比傳統(tǒng)的基于規(guī)則的機(jī)器視覺檢測技術(shù)更有效的替代方案，當(dāng)然它仍然存在一些局限性。一旦這些局限性被克服后，深度學(xué)習(xí)將真正幫助用戶在生產(chǎn)流程方面，實(shí)現(xiàn)大幅改進(jìn)。