隨著機(jī)器視覺技術(shù)的快速發(fā)展，傳統(tǒng)很多需要人工來手動(dòng)操作的工作，漸漸地被機(jī)器所替代。 傳統(tǒng)方法做目標(biāo)識(shí)別大多都是靠人工實(shí)現(xiàn)，從形狀、顏色、長度、寬度、長寬比來確定被識(shí)別的目標(biāo)是否符合標(biāo)準(zhǔn)，最終定義出一系列的規(guī)則來進(jìn)行目標(biāo)識(shí)別。 這樣的方法在一些簡(jiǎn)單的案例中應(yīng)用的很好，唯一的缺點(diǎn)是隨著被識(shí)別物體的變動(dòng)，所有的規(guī)則和算法都要重新設(shè)計(jì)和開發(fā)，即使是同樣的產(chǎn)品，不同批次的變化都會(huì)造成不能重用的現(xiàn)實(shí)。 而隨著機(jī)器學(xué)習(xí)，深度學(xué)習(xí)的發(fā)展，很多肉眼很難去直接量化的特征，深度學(xué)習(xí)可以自動(dòng)學(xué)習(xí)這些特征，這就是深度學(xué)習(xí)帶給我們的優(yōu)點(diǎn)和前所未有的吸引力。很多特征通過傳統(tǒng)算法無法量化，或者說很難去做到的，但深度學(xué)習(xí)可以。特別是在圖像分類、目標(biāo)識(shí)別這些問題上有顯著的提升。

01、使用深度學(xué)習(xí)進(jìn)行目標(biāo)識(shí)別

目前，深度學(xué)習(xí)技術(shù)已成為進(jìn)行目標(biāo)識(shí)別的一種普遍方法。

深度學(xué)習(xí)模型（比如卷積神經(jīng)網(wǎng)絡(luò)，亦稱 CNN）可用來自動(dòng)學(xué)習(xí)目標(biāo)的固有特征，以便識(shí)別該目標(biāo)。 有兩種使用深度學(xué)習(xí)進(jìn)行目標(biāo)識(shí)別的方法： 從頭開始訓(xùn)練模型：要從頭開始訓(xùn)練深度網(wǎng)絡(luò)，需要收集非常龐大的標(biāo)簽化數(shù)據(jù)集，并設(shè)計(jì)用于學(xué)習(xí)特征和構(gòu)建模型的網(wǎng)絡(luò)架構(gòu)。結(jié)果可能讓人驚艷，但這種方法需要大量的訓(xùn)練數(shù)據(jù)，而且需要設(shè)置 CNN 中的各個(gè)層和權(quán)重。 使用預(yù)先訓(xùn)練的深度學(xué)習(xí)模型：大多數(shù)深度學(xué)習(xí)應(yīng)用程序使用遷移學(xué)習(xí)方法，該過程涉及對(duì)預(yù)先訓(xùn)練的模型進(jìn)行微調(diào)。從現(xiàn)有網(wǎng)絡(luò)起步，并輸入包含以往未知類的新數(shù)據(jù)。這種方法耗時(shí)較少，并能夠提供更快的結(jié)果，因?yàn)樵撃Ｐ鸵呀?jīng)在數(shù)千或數(shù)百萬圖像上進(jìn)行訓(xùn)練。 深度學(xué)習(xí)具有很高程度的準(zhǔn)確性，但準(zhǔn)確預(yù)測(cè)要求有大量的數(shù)據(jù)。

02、目標(biāo)識(shí)別定位檢測(cè)技術(shù)的應(yīng)用

眾所周知，機(jī)器視覺技術(shù)經(jīng)常用于定位與引導(dǎo)，提供機(jī)械手或其它執(zhí)行機(jī)構(gòu)以準(zhǔn)確的二維或三維坐標(biāo)，進(jìn)行路徑規(guī)劃，引導(dǎo)機(jī)械手完成規(guī)定的作業(yè)和任務(wù)。 通常，機(jī)器視覺對(duì)目標(biāo)產(chǎn)品定位技術(shù)是在高速云盤機(jī)生產(chǎn)流水線的檢測(cè)、抓取等過程中應(yīng)用的關(guān)鍵技術(shù)。通過目標(biāo)定位技術(shù)能夠識(shí)別、確定零件的位置和方向，并將抓取結(jié)果直接傳輸?shù)桨徇\(yùn)物體的設(shè)備中。 定位與引導(dǎo)系統(tǒng)往往和其它系統(tǒng)一并構(gòu)成較復(fù)雜的技術(shù)系統(tǒng)，實(shí)現(xiàn)特定的功能，提高生產(chǎn)的柔性和自動(dòng)化程度，滿足需求。

在一些不適合人工作業(yè)的危險(xiǎn)環(huán)境中，或者應(yīng)用人工視覺難以滿是定位要求的場(chǎng)合中，常常利用機(jī)器視覺替代人工視覺進(jìn)行目標(biāo)定位。 矩視智能專注于機(jī)器視覺技術(shù)，從測(cè)量、識(shí)別、檢測(cè)等角度出發(fā)全方位進(jìn)行定位和引導(dǎo)的研究，通過對(duì)圖片中的不同類別、位置的對(duì)象進(jìn)行定位和分類，實(shí)現(xiàn)對(duì)圖片不同缺陷特征的定位和檢測(cè)。通過標(biāo)注，即可建立目標(biāo)模板，經(jīng)過深度學(xué)習(xí)訓(xùn)練，便可解決平移、旋轉(zhuǎn)、縮放和光線等影響。可學(xué)習(xí)圖像中的多個(gè)目標(biāo)，并同時(shí)檢測(cè)，給出所有被識(shí)別目標(biāo)的位置和定義。 根據(jù)具體問題具體分析，提出各類機(jī)器視覺技術(shù)定位與引導(dǎo)方案，較低成本地解決各類定位與引導(dǎo)的技術(shù)問題。

高精度檢測(cè) 精準(zhǔn)判斷有無

云平臺(tái)基于神經(jīng)網(wǎng)絡(luò)搭建的底層算法平臺(tái)做支撐，適用于多種高速檢測(cè)場(chǎng)景，不需要單獨(dú)開發(fā)，節(jié)省開發(fā)成本。 同時(shí)檢測(cè)不會(huì)受到主觀因素干擾，識(shí)別速度可達(dá)到毫秒級(jí)別，可直接輸出檢測(cè)結(jié)果。

快速準(zhǔn)確定位 計(jì)數(shù)識(shí)別盡收眼底

云平臺(tái)只需通過采集待計(jì)數(shù)物體的邊緣圖像進(jìn)行學(xué)習(xí)并優(yōu)化，即可計(jì)算出整體數(shù)量。 并且可以同時(shí)統(tǒng)計(jì)不同型號(hào)的產(chǎn)品數(shù)量，滿足企業(yè)對(duì)高速生產(chǎn)過程中產(chǎn)品數(shù)字安全控制的需要。

像素級(jí)分割識(shí)別 散亂堆疊抗干擾

云平臺(tái)堆疊識(shí)別功能支持特殊定制，不需要將堆疊物體分開擺放，可直接勾畫出3D堆疊場(chǎng)景下物體的輪廓，從而能夠精準(zhǔn)分割目標(biāo)，并進(jìn)行中心點(diǎn)計(jì)算，搭載本地GPU，識(shí)別速度可以達(dá)到毫秒級(jí)別。

多目標(biāo)同時(shí)識(shí)別 精準(zhǔn)計(jì)算抓取點(diǎn)

云平臺(tái)打破傳統(tǒng)視覺解決方案的繁瑣，只需要標(biāo)注、訓(xùn)練后就可以得到SDK模型并且可以對(duì)復(fù)雜背景下的單個(gè)/多個(gè)目標(biāo)進(jìn)行識(shí)別，通過外形輪廓特征計(jì)算抓取點(diǎn)坐標(biāo)，同時(shí)支持多種抓取方式，高效解決各類定位抓取需求。

03、實(shí)戰(zhàn)案例

智能盤點(diǎn)鋼筋數(shù)量

檢測(cè)難點(diǎn)

① 精度要求高 鋼筋本身價(jià)格較昂貴，且在實(shí)際使用中數(shù)量很大，誤檢和漏檢都需要人工在大量的標(biāo)記點(diǎn)中找出，所以需要精度非常高才能保證驗(yàn)收人員的使用體驗(yàn)。 需要專門針對(duì)此密集目標(biāo)的檢測(cè)算法進(jìn)行優(yōu)化，另外，還需要處理拍攝角度、光線不完全受控，鋼筋存在長短不齊、可能存在遮擋等情況。

② 鋼筋尺寸不一 鋼筋的直徑變化范圍較大（12-32中間很多種類）且截面形狀不規(guī)則、顏色不一，拍攝的角度、距離也不完全受控，這也導(dǎo)致傳統(tǒng)算法在實(shí)際使用的過程中效果很難穩(wěn)定。

③ 邊界難以區(qū)分 一輛鋼筋車一次會(huì)運(yùn)輸很多捆鋼筋，如果直接全部處理會(huì)存在邊緣角度差、遮擋等問題效果不好，目前在用“單捆處理+最后合計(jì)”的流程，這樣的處理過程就會(huì)需要對(duì)捆間進(jìn)行分割或者對(duì)最終結(jié)果進(jìn)行去重，難度較大。 此外，由于鋼筋存放環(huán)境復(fù)雜，在儲(chǔ)存運(yùn)輸過程中常會(huì)出現(xiàn)腐蝕、生銹等問題，易造成鋼筋截面圖像失真，所以，采用傳統(tǒng)基于原始圖像處理方式進(jìn)行鋼筋計(jì)數(shù)準(zhǔn)確率也只能達(dá)到90%。 矩視智能低代碼開發(fā)平臺(tái)，運(yùn)用人工智能機(jī)器視覺技術(shù)，自主研發(fā)深度學(xué)習(xí)引擎，將人工經(jīng)驗(yàn)轉(zhuǎn)化為AI算法，快速清點(diǎn)數(shù)量，科學(xué)解放人力，具備快速、準(zhǔn)確、易操作、適應(yīng)性強(qiáng)等特性。

現(xiàn)場(chǎng)應(yīng)用圖片 云平臺(tái)效果 矩視智能低代碼平臺(tái)在鋼鐵行業(yè)的應(yīng)用——“鋼筋計(jì)數(shù)”，克服了現(xiàn)有算法由于鋼筋截面形狀不規(guī)則、顏色不一、拍攝距離不可控等導(dǎo)致的無法識(shí)別復(fù)雜鋼筋圖像的一系列技術(shù)難題，在實(shí)際操作過程中性能穩(wěn)定，大幅提高了鋼筋計(jì)數(shù)效率和準(zhǔn)確率。根據(jù)多次測(cè)試，計(jì)數(shù)準(zhǔn)確率可達(dá)到99.9%。

螺絲孔內(nèi)的螺紋有無應(yīng)用檢測(cè)

檢測(cè)難點(diǎn)

產(chǎn)品位置和角度隨機(jī)，且相機(jī)需要傾斜拍攝才能看到一邊的螺絲孔側(cè)面，不同位置的特征有一定視差，傳統(tǒng)視覺算法難以準(zhǔn)確定位和檢測(cè)螺紋。

矩視智能低代碼平臺(tái)精確檢測(cè)螺絲孔內(nèi)螺紋缺陷、瑕疵，并對(duì)缺陷信息進(jìn)行統(tǒng)計(jì)、分類和分析，優(yōu)化生產(chǎn)過程控制，將產(chǎn)品進(jìn)行分級(jí)，提高客戶的信賴和滿意度。

可正確檢測(cè)螺紋孔，檢測(cè)不合格產(chǎn)品時(shí)可以發(fā)出報(bào)警信號(hào)（OK/NG），每個(gè)檢測(cè)周期時(shí)間完全能夠滿足客戶要求。良好的產(chǎn)品，內(nèi)部成像完整且清晰，螺紋紋理流暢，均勻，沒有缺損。不合格產(chǎn)品成像圖片，可以憑借成像效果判斷缺損方位與嚴(yán)重程度。

手機(jī)外殼無序抓取、定位引導(dǎo)方面的應(yīng)用

手機(jī)作為移動(dòng)互聯(lián)網(wǎng)的主要終端，需求量逐年遞增，所以手機(jī)外觀是質(zhì)量的一個(gè)重要指標(biāo)，消費(fèi)者對(duì)于手機(jī)質(zhì)量也提出了更高的品質(zhì)要求。 傳統(tǒng)的手機(jī)檢測(cè)采用人工檢測(cè)的方法，這種方法檢測(cè)效率低下，易疲勞，難以長期持續(xù)化生產(chǎn)，增加勞動(dòng)力成本，由于人工主觀因素，產(chǎn)品一致性和穩(wěn)定性難以保證，生產(chǎn)信息也難以統(tǒng)計(jì)和追溯，很難滿足現(xiàn)在制造業(yè)對(duì)產(chǎn)品生產(chǎn)過程自動(dòng)化和信息化的要求。 矩視智能低代碼開發(fā)平臺(tái)可實(shí)現(xiàn)不同姿態(tài)和不同位置無序抓取的定位引導(dǎo)。 工作流程： ●產(chǎn)品移動(dòng)到拍照工位； ●觸發(fā)相機(jī)對(duì)手機(jī)殼進(jìn)行拍照； ●視覺軟件識(shí)別圖像特征，對(duì)手機(jī)殼定位； ●發(fā)送手機(jī)殼指定中心坐標(biāo)信息給機(jī)械手或PLC； ●機(jī)械手移動(dòng)準(zhǔn)確抓取手機(jī)殼。

審核編輯：郭婷