機(jī)器視覺是人工智能的一個分支，簡單來說，就是用機(jī)器代替人眼來做測試和判斷。運(yùn)用機(jī)器視覺可以提高生產(chǎn)的靈活性和自動化程度，目前隨著核心技術(shù)的不斷完善，機(jī)器視覺下游應(yīng)用場景不斷拓展，包括消費(fèi)電子、汽車、半導(dǎo)體、虛擬現(xiàn)實(shí)、智能安防、健康醫(yī)療等。

與人類視覺相比，機(jī)器視覺功能范圍不僅包括對信息的接受，同時還延伸至對信息的處理與判斷，整體包括相機(jī)、鏡頭、視覺控制器、圖像處理、傳感器、算法平臺等。一個典型的機(jī)器視覺應(yīng)用系統(tǒng)包括圖像捕捉模塊、圖像數(shù)字化模塊、圖像處理模塊、決策模塊、機(jī)械控制執(zhí)行模塊以及光源系統(tǒng)等。

機(jī)器視覺在實(shí)際應(yīng)用中，還存在很多問題，比如缺陷樣本太少怎么辦，面對未知缺陷混入有沒有更好的解決方案等等。在2019年10月10日的機(jī)器視覺研討會上，機(jī)器視覺領(lǐng)域?qū)I(yè)人士就機(jī)器視覺的工作流程細(xì)節(jié)、實(shí)際項(xiàng)目中遇到的問題及解決方案等做了詳細(xì)分享和解讀。

機(jī)器視覺是如何工作的？

機(jī)器視覺的工作過程離不開深度學(xué)習(xí)，深度學(xué)習(xí)是機(jī)器學(xué)習(xí)研究中的一個新領(lǐng)域，其動機(jī)在于建立、模擬人腦進(jìn)行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，它模仿人腦的機(jī)制來解釋數(shù)據(jù)，例如圖像、聲音和文本，深度學(xué)習(xí)的概念源于人工智能神經(jīng)網(wǎng)絡(luò)的研究。

深度學(xué)習(xí)的工作流程大致可概括為標(biāo)注、訓(xùn)練和推理。首先，人工收集和采集圖像，標(biāo)注特征，形成數(shù)據(jù)；然后，將這些數(shù)據(jù)喂給計(jì)算機(jī)，讓計(jì)算機(jī)進(jìn)行訓(xùn)練，生成網(wǎng)絡(luò)進(jìn)行評估，如果這個網(wǎng)絡(luò)的性能符合要求，就可以上線，實(shí)現(xiàn)檢測。網(wǎng)絡(luò)在上線之后，會產(chǎn)生大量的數(shù)據(jù)，這些數(shù)據(jù)又可以變成新的樣本，通過加入數(shù)據(jù)，進(jìn)行迭代優(yōu)化，讓網(wǎng)絡(luò)和檢測系統(tǒng)越來越好。

在深度學(xué)習(xí)的過程中，建立一個高質(zhì)量的訓(xùn)練數(shù)據(jù)集非常關(guān)鍵。高質(zhì)量訓(xùn)練數(shù)據(jù)集對于成功部署深度學(xué)習(xí)解決方案至關(guān)重要，邊緣情況或者標(biāo)記不當(dāng)?shù)臄?shù)據(jù)集會使網(wǎng)絡(luò)混亂，而標(biāo)記良好、內(nèi)部一致的數(shù)據(jù)集的效果會更佳，訓(xùn)練圖像必須在其所代表的類別中具備典型，訓(xùn)練圖像樣式必須盡量貼近系統(tǒng)部署時會遇到的圖像。

深度學(xué)習(xí)對于機(jī)器視覺的應(yīng)用大致可以分成三種，一是分類，即可以將產(chǎn)品分為合格和不合格，這是深度學(xué)習(xí)最大的一個應(yīng)用；二是定位，即幫助使用者定位物體的位置和數(shù)量；三是分割，即可以找到缺陷的輪廓，基于缺陷的輪廓和大小，對產(chǎn)品進(jìn)行更精細(xì)的判別。

相對于傳統(tǒng)機(jī)器學(xué)習(xí)，深度學(xué)習(xí)對于機(jī)器視覺的作用更顯著，研華（中國）有限公司智能設(shè)備事業(yè)部資深產(chǎn)品經(jīng)理孫鳴聰認(rèn)為，在某些方面，深度學(xué)習(xí)視覺解決方案會比傳統(tǒng)機(jī)器視覺解決方案更具優(yōu)勢，前者可以分析無規(guī)律圖像，精確度高，后者無法分析無規(guī)律圖像，精確度低。

在應(yīng)對無規(guī)律圖像方面，深度學(xué)習(xí)機(jī)器視覺解決方案，即使圖像復(fù)雜，通過深度學(xué)習(xí)算法，軟件可以自動學(xué)習(xí)瑕疵的特征，使得無規(guī)律圖像的分析變得可能；而傳統(tǒng)機(jī)器視覺解決方案，當(dāng)圖像不規(guī)則、無規(guī)律時，缺陷的特征很難通過手動設(shè)定，無法分析圖像。

在精確度方面，深度學(xué)習(xí)機(jī)器視覺解決方案，可通過深度學(xué)習(xí)算法和制造業(yè)特有的數(shù)據(jù)提高檢測的精確度；傳統(tǒng)機(jī)器視覺解決方案，如果缺陷部分和之前設(shè)定好的缺陷有輕微的出入，傳統(tǒng)視覺都無法檢測出這樣的缺陷，導(dǎo)致檢測的精確度低。

雖然深度學(xué)習(xí)在很多方面具有優(yōu)勢，不過也并不是所有任務(wù)都適用。FLIR Systems,Inc.現(xiàn)場應(yīng)用工程師王重普指出，深度學(xué)習(xí)可以為強(qiáng)主觀性或定性問題提供很方便的解決方法，主觀性問題或由多種條件復(fù)雜的相互作用而得出答案的問題是較為理想的應(yīng)用。但是，深度學(xué)習(xí)并非有益于所有任務(wù)，他認(rèn)為，許多基本的檢驗(yàn)任務(wù)適合通過傳統(tǒng)機(jī)器視覺技術(shù)來完成，比如存在或缺少可清晰界定的特征、測量和對位。

實(shí)際應(yīng)用中存在哪些問題？

雖然，機(jī)器視覺在實(shí)際應(yīng)用中存在很多問題需要改進(jìn)和優(yōu)化。在研討會上，中國大恒（集團(tuán)）有限公司北京圖像視覺技術(shù)分公司資深解決方案工程師李東平分享了他們在項(xiàng)目中遇到的幾個問題以及解決方案，這幾個問題分別是，一、缺陷樣本太少，二、標(biāo)注工作量過大，三、混入未知缺陷。

一、缺陷樣本太少的問題，比如iWatch，因?yàn)樘O果的產(chǎn)品品控非常高、良品率高、缺陷量很少，它能提供的缺陷樣品就非常少，這樣就沒有足夠多的缺陷數(shù)據(jù)可以進(jìn)行訓(xùn)練。

二、標(biāo)注工作量大的問題，對于缺陷檢測和分割來說，標(biāo)注的時候需要把缺陷都描出來，如果對于圖像覆蓋比較大，缺陷比較多的話，工作量就比較大。

三、混入未知缺陷的問題，在生產(chǎn)過程中已經(jīng)知道了幾種缺陷，但是不知道將來會出現(xiàn)哪些缺陷，比如生產(chǎn)過程，突然混入異物、其他料，事先不知道會混入什么料，沒有進(jìn)行訓(xùn)練，機(jī)器就檢測不出來，會將不合格產(chǎn)品作為合格產(chǎn)品輸出。

面對這些問題，大恒圖像嘗試讓機(jī)器只學(xué)習(xí)好的樣本，沒有壞的樣本，因?yàn)橹粚W(xué)習(xí)好的樣本，就不需要標(biāo)注，只需要少量好的樣本。如果給機(jī)器輸入一張不好的圖片，它就會給出缺陷的區(qū)域，因?yàn)橹挥?xùn)練好的樣品，任何缺陷都可以檢測出來，而且運(yùn)行過程也會很快。

對于混入未知缺陷的問題，廣東奧普特科技股份有限公司總監(jiān)賀珍真認(rèn)為，將傳統(tǒng)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)搭配使用也是一種可行方案。在他看來，傳統(tǒng)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)各具優(yōu)劣勢，外觀檢測有一種情況，可以看出對比度非常高，用傳統(tǒng)方法處理，會非常的穩(wěn)定和快速。

而深度學(xué)習(xí)對瑕疵分類則會更有優(yōu)勢，比如客戶需要分出缺陷種類，他們用傳統(tǒng)方法花了兩個月時間調(diào)好之后，如果換另外一種物料，又得重新調(diào)，這種情況便適合使用深度學(xué)習(xí)。然而對于沒有進(jìn)行訓(xùn)練的缺陷出現(xiàn)，深度學(xué)習(xí)就沒有辦法檢測出來。

如果生產(chǎn)的過程中出現(xiàn)這種情況，奧普特嘗試用傳統(tǒng)的方法和深度學(xué)習(xí)一起應(yīng)用，傳統(tǒng)的方法解決傳統(tǒng)的、快速的問題，甚至把合格品分出來，再用深度工具去做一些瑕疵的分類。

總結(jié)

隨著智能化水平不斷提高，機(jī)器視覺已經(jīng)進(jìn)入高速發(fā)展期，中國機(jī)器視覺市場需求也將不斷增長，報(bào)告顯示，2018年中國機(jī)器視覺市場規(guī)模超過100億元，預(yù)計(jì)2019年市場規(guī)模將接近125億，面對日益擴(kuò)大的市場需求，不斷發(fā)現(xiàn)實(shí)際應(yīng)用中的問題，并優(yōu)化產(chǎn)品解決方案是企業(yè)能夠站穩(wěn)市場位置的一個重要關(guān)鍵點(diǎn)。