工业界的“超能力”详解机器视觉在工业中的应用

「详解机器视觉在工业中的应用」

近年来，随着中国制造2025战略的深入，充当工业机器“火眼金睛”角色的机器视觉市场呈现爆炸式增长势头。

机器视觉系统，是一种基于计算机技术和图像处理技术的自动化系统，通常包括：图像采集和获取，图像预处理，特征提取，图像分析和处理，模式识别和学习，决策和反馈。机器视觉旨在模仿人类视觉系统的功能，使计算机能够“看”和“解释”视觉信息。

『 工业领域中适合机器视觉的场景』

01 生产线自动化

通过高精度的相机和图像处理技术，对产品进行自动检测、识别、分类等操作。例如，机器视觉可以自动对产品进行质量检测，代替人工，解决人工主观判断和目视疲劳的问题，从而实现自动化生产线建立。

02 智能质检

借助深度学习和智能算法，机器视觉可以使检测系统更具智能化，解决了传统质检难以识别复杂缺陷的问题。例如，在电子制造中，机器视觉可以检测微小元件的焊接质量，从而避免产品出厂前的质量问题。

03 设备缺陷与预防

机器视觉也可以应用于工业设备本身的缺陷检测与预防，检测设备是否存在缺陷或潜在故障。例如，在风力发电设备的叶片检测中，机器视觉可以检测叶片是否存在裂纹、损伤等情况，及时进行设备维护。

『 机器视觉3大应用难题』

1.实际智能制造业环境复杂、光源简单，容易造成光照不均匀，难以解决图像质量受光照影响大的问题。在工业检测中，需要检测的缺陷通常是相对微小的，因此对图像的要求较高。由于环境变化随机性大，使得控制光照成为智能制造检测领域的计算机视觉关键瓶颈问题。

解决方法： 可设计黑箱式封装的图像采集设备，排除外界光照干扰，安装在工业生产线上，从而达到实验室级别的检测环境，从根本上解决光照影响问题。

2.实际智能制造业中获取万级以上的平衡样本数据代价较大，难以解决样本数据不足以支持基于深度学习的计算机视觉检测任务的问题。深度学习往往需要非常大量的样本才能达到比较优异的检测效果。而在智能制造业，样本数据的采集难度较大，甚至有些产品的总产量都达不到深度学习所需的样本数据规模。

解决方法： 可通过小样本和不平衡样本处理方法在不降低样本数据质量的同时增大样本数据量，并且结合传统方法如模板匹配和相似度检测来辅助增加检测准确率。

3.智能制造业中，计算机判定难以达到专业判定的水准，如何在算法中加入先验知识以提高演化算法的效果是一大难题。需要考虑如下难点：如何将比普通先验知识更复杂的工业检测专业知识转化为知识图谱等形式融入算法；如何建立工业检测先验知识的规范化、标准化和统一化；如何通过已有产品的先验知识推测知识库未收录的其他类似产品的先验知识。

解决方法 除了从训练和预测阶段入手，在决策的判断上也可做基于先验知识的判定。如在合格率较高的零件检测中，一些不常见的错误判定可以根据先验知识修改为正确判定，从而提高准确率。

『总结』

当前机器视觉替代率达50%，但多局限于2D机器视觉领域。未来随着国产品牌逐步崛起，产品功能专业、种类精细化，替代率将逐步升高。行业将趋向于专业化分工，自主化视觉平台、视觉系统与装备将协同作战，逐步超越国外品牌，成长为中国智能制造工业视觉的主力军。

识渊科技也在积极探索关于机器视觉的更多可能性，我们相信，随着技术的不断进步和发展，工业AI视觉将会推动中国工业制造走向更远的地方。

本文参考文献：

1、雷林建, 孙胜利, 向玉开, 张悦, 刘会凯. 2020. 智能制造中的计算机视觉应用瓶颈问题. 中国图象图形学报, 25(7): 1330-1343.) [DOI: 10.11834/jig.190446

2、丁宁宁.宋展:在AI时代让机器视觉应用创造价值[J].高科技与产业化, 2018(9):1.DOI:CNKI:SUN:GKFC.0.2018-09-035.

「详解机器视觉在工业中的应用」

近年来，随着中国制造2025战略的深入，充当工业机器“火眼金睛”角色的机器视觉市场呈现爆炸式增长势头。

机器视觉系统，是一种基于计算机技术和图像处理技术的自动化系统，通常包括：图像采集和获取，图像预处理，特征提取，图像分析和处理，模式识别和学习，决策和反馈。机器视觉旨在模仿人类视觉系统的功能，使计算机能够“看”和“解释”视觉信息。

『 工业领域中适合机器视觉的场景』

01 生产线自动化

通过高精度的相机和图像处理技术，对产品进行自动检测、识别、分类等操作。例如，机器视觉可以自动对产品进行质量检测，代替人工，解决人工主观判断和目视疲劳的问题，从而实现自动化生产线建立。

02 智能质检

借助深度学习和智能算法，机器视觉可以使检测系统更具智能化，解决了传统质检难以识别复杂缺陷的问题。例如，在电子制造中，机器视觉可以检测微小元件的焊接质量，从而避免产品出厂前的质量问题。

03 设备缺陷与预防

机器视觉也可以应用于工业设备本身的缺陷检测与预防，检测设备是否存在缺陷或潜在故障。例如，在风力发电设备的叶片检测中，机器视觉可以检测叶片是否存在裂纹、损伤等情况，及时进行设备维护。

『 机器视觉3大应用难题』

1.实际智能制造业环境复杂、光源简单，容易造成光照不均匀，难以解决图像质量受光照影响大的问题。在工业检测中，需要检测的缺陷通常是相对微小的，因此对图像的要求较高。由于环境变化随机性大，使得控制光照成为智能制造检测领域的计算机视觉关键瓶颈问题。

解决方法： 可设计黑箱式封装的图像采集设备，排除外界光照干扰，安装在工业生产线上，从而达到实验室级别的检测环境，从根本上解决光照影响问题。

2.实际智能制造业中获取万级以上的平衡样本数据代价较大，难以解决样本数据不足以支持基于深度学习的计算机视觉检测任务的问题。深度学习往往需要非常大量的样本才能达到比较优异的检测效果。而在智能制造业，样本数据的采集难度较大，甚至有些产品的总产量都达不到深度学习所需的样本数据规模。

解决方法： 可通过小样本和不平衡样本处理方法在不降低样本数据质量的同时增大样本数据量，并且结合传统方法如模板匹配和相似度检测来辅助增加检测准确率。

3.智能制造业中，计算机判定难以达到专业判定的水准，如何在算法中加入先验知识以提高演化算法的效果是一大难题。需要考虑如下难点：如何将比普通先验知识更复杂的工业检测专业知识转化为知识图谱等形式融入算法；如何建立工业检测先验知识的规范化、标准化和统一化；如何通过已有产品的先验知识推测知识库未收录的其他类似产品的先验知识。

解决方法 除了从训练和预测阶段入手，在决策的判断上也可做基于先验知识的判定。如在合格率较高的零件检测中，一些不常见的错误判定可以根据先验知识修改为正确判定，从而提高准确率。

『总结』

当前机器视觉替代率达50%，但多局限于2D机器视觉领域。未来随着国产品牌逐步崛起，产品功能专业、种类精细化，替代率将逐步升高。行业将趋向于专业化分工，自主化视觉平台、视觉系统与装备将协同作战，逐步超越国外品牌，成长为中国智能制造工业视觉的主力军。

识渊科技也在积极探索关于机器视觉的更多可能性，我们相信，随着技术的不断进步和发展，工业AI视觉将会推动中国工业制造走向更远的地方。

本文参考文献：

1、雷林建, 孙胜利, 向玉开, 张悦, 刘会凯. 2020. 智能制造中的计算机视觉应用瓶颈问题. 中国图象图形学报, 25(7): 1330-1343.) [DOI: 10.11834/jig.190446

2、丁宁宁.宋展:在AI时代让机器视觉应用创造价值[J].高科技与产业化, 2018(9):1.DOI:CNKI:SUN:GKFC.0.2018-09-035.