沈北新區(qū)視覺影像檢測(cè)市場(chǎng)滿意的選擇「邁迅威視覺」

在現(xiàn)代包裝工業(yè)自動(dòng)化生產(chǎn)中，涉及各種各樣的檢查、測(cè)量，比如飲料瓶蓋的印刷質(zhì)量檢查，產(chǎn)品包裝上的條碼和字符識(shí)別等。這類應(yīng)用的共同特點(diǎn)是連續(xù)大批量生產(chǎn)、對(duì)外觀質(zhì)量的要求非常高。通常這種帶有高度重復(fù)性的工作只能靠人工檢測(cè)來(lái)完成，我們經(jīng)常在一些工廠的現(xiàn)代化流水線后面看到數(shù)以百計(jì)甚至逾千的檢測(cè)工人來(lái)執(zhí)行這道工序，在給工廠增加巨大的人工成本和管理成本的同時(shí)，仍然不能保證100%的檢驗(yàn)合格率(即“零缺陷”)。

　

為了實(shí)現(xiàn)外觀缺陷自動(dòng)檢測(cè),研究了基于機(jī)器視覺技術(shù)的外觀缺陷檢測(cè)系統(tǒng)。首先針對(duì)外觀缺陷圖像特點(diǎn),分析了采用灰度閾值及單一顏色模型分割缺陷的局限性,提出基于混合顏色模型的缺陷圖像分割方法,實(shí)現(xiàn)了外觀缺陷快速、準(zhǔn)確分割;然后通過(guò)分析外觀缺陷特點(diǎn),分別從形狀、顏色和紋理共選取了12個(gè)類別差異明顯的特征參數(shù),提取了外觀缺陷特征;后選擇BP神經(jīng)網(wǎng)絡(luò)作為缺陷分類器,根據(jù)經(jīng)驗(yàn)和實(shí)驗(yàn)確定了神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及參數(shù),并分析了傳統(tǒng)BP算法在外觀缺陷分類應(yīng)用中的不足,通過(guò)改變收斂標(biāo)準(zhǔn)、自適應(yīng)調(diào)整步長(zhǎng)和引入動(dòng)量項(xiàng)以優(yōu)化BP算法,改善了神經(jīng)網(wǎng)絡(luò)分類效果。



在當(dāng)今這個(gè)時(shí)代，計(jì)算機(jī)視覺領(lǐng)域呈現(xiàn)出很多新的趨勢(shì)，其中顯著的一個(gè)，就是應(yīng)用的性增長(zhǎng)。除了手機(jī)、個(gè)人電腦和工業(yè)檢測(cè)之外，計(jì)算機(jī)視覺技術(shù)在智能安防、機(jī)器人、自動(dòng)駕駛、智慧醫(yī)、無(wú)人機(jī)、增強(qiáng)現(xiàn)實(shí)（AR）等領(lǐng)域都出現(xiàn)了各種形態(tài)的應(yīng)用方式。計(jì)算機(jī)視覺迎來(lái)了一個(gè)應(yīng)用性增長(zhǎng)的時(shí)代，目前的應(yīng)用如下圖所示，主要以運(yùn)動(dòng)控制為主。隨著各個(gè)領(lǐng)域技術(shù)不斷發(fā)展，許多科技巨頭也開始了在圖像識(shí)別和人工智能領(lǐng)域的布局，F(xiàn)acebook簽下的人工智能Yann LeCun重大的成就就是在圖像識(shí)別領(lǐng)域，其提出的LeNet為代表的卷積神經(jīng)網(wǎng)絡(luò)，在應(yīng)用到各種不同的圖像識(shí)別任務(wù)時(shí)都取得了不錯(cuò)效果，被認(rèn)為是通用圖像識(shí)別系統(tǒng)的代表之一；Google 借助模擬神經(jīng)網(wǎng)絡(luò)“DistBelief”通過(guò)對(duì)數(shù)百萬(wàn)份YouTube 視頻的學(xué)習(xí)自行掌握了貓的關(guān)鍵特征，這是機(jī)器在沒有人幫助的情況下自己讀懂了貓的概念。這也能看出國(guó)技公司對(duì)圖像識(shí)別技術(shù)以及人工智能技術(shù)的重視程度。