傳統(tǒng)的缺陷檢測方法面臨許多降低過程質(zhì)量的挑戰(zhàn)。將深度學(xué)習(xí)算法應(yīng)用于捕獲的視頻信息可以提高識(shí)別不符合預(yù)定義標(biāo)準(zhǔn)的對(duì)象的速度和準(zhǔn)確性。盡管深度學(xué)習(xí)是一種相對(duì)較新的缺陷檢測解決方案，但它可以將解決方案的范圍從簡單的缺陷檢測擴(kuò)展到缺陷類型的分類。通過訓(xùn)練深度學(xué)習(xí)網(wǎng)絡(luò)來識(shí)別缺陷類型，可以根據(jù)對(duì)象的嚴(yán)重程度（例如缺陷大?。┳詣?dòng)路由對(duì)象。在這個(gè)英特爾? OpenVINO ?示例中工具包，我們將看一個(gè)簡單的例子，說明如何使用視頻圖像根據(jù)物體的表面積確定物體是否有缺陷。

對(duì)象大小檢測管道

在之前的博客文章中，我們看到了使用攝像機(jī)捕獲的圖像進(jìn)行人臉和車輛檢測的示例。在此應(yīng)用中，我們將研究一種不同類型的檢測，使用深度學(xué)習(xí)來識(shí)別傳送帶上的物體、測量其表面積并檢查缺陷。

圖 1顯示了對(duì)象大小檢測管道。讓我們探索這個(gè)管道和發(fā)生的活動(dòng)。

圖1：對(duì)象尺寸檢測流水線圖說明了 OpenVINO? 工具包的此應(yīng)用程序如何處理圖像以根據(jù)對(duì)象的表面積確定對(duì)象是否存在缺陷。（來源：作者）

此圖像處理應(yīng)用程序使用安裝在傳送帶上方的攝像機(jī)捕獲的圖像。卷積神經(jīng)網(wǎng)絡(luò) (CNN)——一種圖像處理深度神經(jīng)網(wǎng)絡(luò)——處理捕獲的圖像以確定是否存在物體。首先，CNN 識(shí)別對(duì)象是否在捕獲幀中。如果存在對(duì)象，CNN 會(huì)繪制一個(gè)邊界框并計(jì)算對(duì)象占據(jù)的區(qū)域。然后，根據(jù)預(yù)定義的可接受約束檢查該區(qū)域。如果對(duì)象大于或小于預(yù)期，則傳達(dá)缺陷指示。

圖 2顯示了 OpenVINO ?工具包的對(duì)象大小檢測應(yīng)用程序的輸出。請(qǐng)注意，在此示例中，CNN 找到了對(duì)象并對(duì)其進(jìn)行了界定以計(jì)算其面積。

圖2：物體尺寸檢測器輸出屏幕顯示了檢測到的物體的計(jì)算面積示例。（來源：英特爾）

示例應(yīng)用程序還說明了消息隊(duì)列遙測傳輸 (MQTT) 協(xié)議的使用，該協(xié)議將區(qū)域信息傳送到工業(yè)數(shù)據(jù)分析系統(tǒng)。

為什么這很酷

缺陷檢查是一項(xiàng)單調(diào)的任務(wù)，并且容易因檢查員而出錯(cuò)。使用深度學(xué)習(xí)來檢查零件可以讓人們騰出時(shí)間去做更有用和更有創(chuàng)意的工作，同時(shí)提高缺陷分類的效率。在這個(gè)簡單的示例中，零件的區(qū)域用于確定是否存在缺陷，但深度學(xué)習(xí)可以應(yīng)用于更高級(jí)的模型，以檢查各種類型的缺陷并相應(yīng)地對(duì)其進(jìn)行分類——例如，返工或打撈。當(dāng)與功能強(qiáng)大的硬件配對(duì)時(shí)，例如基于第 6代Intel ? Core ?處理器的硬件或由 Intel Movidius ?提供支持的 Intel Neural Compute Stick 2X VPU，可以獲得令人印象深刻的推理速度，從而實(shí)現(xiàn)實(shí)時(shí)分析。

改編這個(gè)例子

計(jì)算傳送帶上物體的面積在各種環(huán)境中都很有用。以水果和蔬菜的分類過程為例。傳統(tǒng)的水果和蔬菜分類方法可能會(huì)導(dǎo)致瘀傷。因此，在處理這些物品時(shí)需要非常小心。通過將此示例應(yīng)用于農(nóng)產(chǎn)品行業(yè)，可以根據(jù)水果和蔬菜的大小（面積）和顏色對(duì)其進(jìn)行檢查和路由。深度學(xué)習(xí)還可以通過查看更多的評(píng)分特征來擴(kuò)展現(xiàn)有方法。

M. Tim Jones 是一位資深的嵌入式固件架構(gòu)師，擁有超過 30 年的架構(gòu)和開發(fā)經(jīng)驗(yàn)。Tim 是多本書籍和多篇文章的作者，涉及軟件和固件開發(fā)領(lǐng)域。他的工程背景從地球同步航天器的內(nèi)核開發(fā)到嵌入式系統(tǒng)架構(gòu)和協(xié)議開發(fā)。

審核編輯黃宇