机器视觉火了，如何解决三大问题？

　　机器视觉是人工智能的一个分支。简而言之，它用机器代替人眼来测试和判断。机器视觉的应用可以提高生产的灵活性和自动化程度。目前，随着核心技术的不断完善，机器视觉的下游应用场景不断扩大，包括消费电子、汽车、半导体、虚拟现实、智能安全、医疗保健等。

　　与人类视觉相比，机器视觉的功能范围不仅包括接收信息，还包括处理和判断信息，包括摄像机、镜头、视觉控制器、图像处理、传感器、算法平台等。典型的机器视觉应用系统包括图像采集模块、图像数字化模块、图像处理模块、决策模块、机械控制执行模块和光源系统。

　　在机器视觉的实际应用中，仍然存在很多问题，比如缺陷样本太少怎么办，以及面对未知的缺陷是否有更好的解决方案。在2019年10月10日的机器视觉研讨会上，机器视觉领域的专业人士分享并详细解释了机器视觉工作流程的细节、实际项目中遇到的问题以及解决方案。

　　机器视觉是如何工作的？

　　机器视觉的工作过程离不开深度学习，深度学习是机器学习研究的一个新领域。其动机在于建立和模拟用于分析学习的人脑神经网络。它模仿人脑解释数据的机制，如图像、声音和文本。深度学习的概念源于人工智能神经网络的研究。

　　深度学习的工作流程大致可以概括为标记、训练和推理。首先，人工采集图像，标记特征，形成数据；然后，将这些数据输入计算机，让计算机进行训练，并生成一个网络进行评估。如果该网络的性能满足要求，可以上线并实现检测。网络上线后，会产生大量的数据，这些数据可以转化为新的样本。通过增加数据和迭代优化，网络和检测系统会越来越好。

　　在深度学习的过程中，建立高质量的训练数据集是非常重要的。高质量的培训数据集对于深度学习解决方案的成功部署非常重要。边缘条件或不正确标记的数据集会使网络混乱，而标记良好且内部一致的数据集会有更好的效果。训练图像在它们所代表的类别中必须是典型的，并且训练图像样式必须尽可能接近系统部署期间遇到的图像。

　　深度学习在机器视觉中的应用大致可以分为三种类型。一是分类，即产品可以分为合格和不合格，这是深度学习的最大应用；第二是定位，帮助用户定位物体的位置和数量；第三是分割，即可以发现缺陷的轮廓，并且可以基于缺陷的轮廓和尺寸更精细地辨别产品。与传统的机器学习相比，深度学习在机器视觉中发挥着更加重要的作用。研华(中国)有限公司智能设备事业部高级产品经理孙明聪认为，在某些方面，深度学习视觉解决方案将比传统的机器视觉解决方案更具优势。前者可以高精度地分析不规则图像，而后者不能低精度地分析不规则图像。

　　在处理不规则图像时，深度学习机器视觉解决方案，即使图像复杂，软件也可以通过深度学习算法自动学习缺陷的特征，使得分析不规则图像成为可能；然而，在传统的机器视觉解决方案中，当图像不规则和不规则时，很难手动设置缺陷的特征，并且图像不能被分析。

　　在准确性方面，深度学习机器视觉解决方案可以通过深度学习算法和特定于制造的数据来提高检测的准确性；在传统的机器视觉解决方案中，如果缺陷部分和先前设置的缺陷之间存在微小差异，传统的视觉无法检测到这种缺陷，导致检测精度低。

　　尽管深度学习在许多方面都有优势，但并非所有的任务都适用。前视红外系统公司(FLIR  Systems，Inc  .)的现场应用工程师王崇普指出，深度学习可以为高度主观或定性的问题提供方便的解决方案，而主观问题或具有复杂交互的问题是理想的应用。然而，深入学习并不是对所有的任务都有益。他认为许多基本的检测任务都适用于传统的机器视觉技术，如存在或缺乏明确定义的特征、测量和对准。

　　实际应用中存在哪些问题？

　　尽管机器视觉在实际应用中存在很多问题，但仍需要改进和优化。研讨会上，中国大恒(集团)有限公司北京图像视觉技术分公司高级解决方案工程师李东平分享了他们在项目中遇到的几个问题和解决方案。这些问题是：第一，缺陷样本太少；二是贴标工作量过大；第三，未知的缺陷混杂其中。

　　第一，缺陷样本太少的问题，比如iWatch，因为苹果的产品质量控制很高，产量很高，而且缺陷的数量很少，它能提供的缺陷样本很少，所以没有足够的缺陷数据进行训练。

　　第二，有大量的注释工作。对于缺陷检测和分割，有必要在标记时跟踪所有缺陷。如果图像覆盖范围大，并且有很多缺陷，那么工作量就比较大。

　　第三，未知缺陷的混合问题。在生产过程中，我们已经知道了几个缺陷，但是我们不知道将来会出现哪些缺陷。例如，在生产过程中，我们突然混入了外来物质和其他物质，而我们事先不知道会混入什么物质。未经培训，机器无法检测，不合格产品将作为合格产品输出。面对这些问题，大恒图像试图使机器只学习好的样本，而不是坏的样本，因为只需要好的样本不需要标记，只需要少量的好样本。如果你输入一个坏的图片到机器，它会给出缺陷区域，因为只有经过训练的样本可以检测到任何缺陷，并且运行过程会非常快。

　　广东豪普特科技有限公司董事何认为，将传统机器学习与深度学习相结合也是一个可行的方案。在他看来，传统的机器学习和深度学习各有利弊。外观检查中有一种情况。可以看出，对比度非常高，与传统方法相比非常稳定和快速。

　　然而，深度学习在缺陷分类中更具优势。例如，客户需要整理缺陷类型，在他们用传统方法调整了两个月之后，如果他们更换了另一种材料，他们必须再次调整。这种情况适合使用深度学习。然而，没有训练，深度学习无法发现缺陷。

　　如果在生产过程中发生这种情况，Haupt会尝试使用传统方法和深度学习来解决传统和快速的问题，甚至分离出合格的产品，然后使用深度工具来对一些缺陷进行分类。

　　摘要

　　随着智能水平的不断提高，机器视觉已经进入了一个快速发展的时期，中国机器视觉的市场需求也将不断增长。报告显示，2018年中国机器视觉市场规模将超过100亿元，预计2019年市场规模将接近125亿元。面对不断扩大的市场需求，企业在实际应用中发现问题，优化产品解决方案是一个重要的关键点。