机器视觉是人工智能的一个分支，简单来说，就是用机器代替人眼来做测试和判断。运用机器视觉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，机器视觉下游应用场景不断拓展，包括消费电子、汽车、半导体、虚拟现实、智能安防、健康医疗等。

与人类视觉相比，机器视觉功能范围不仅包括对信息的接受，同时还延伸至对信息的处理与判断，整体包括相机、镜头、视觉控制器、图像处理、传感器、算法平台等。一个典型的机器视觉应用系统包括图像捕捉模块、图像数字化模块、图像处理模块、决策模块、机械控制执行模块以及光源系统等。

机器视觉在实际应用中，还存在很多问题，比如缺陷样本太少怎么办，面对未知缺陷混入有没有更好的解决方案等等。机器视觉领域专业人士就机器视觉的工作流程细节、实际项目中遇到的问题及解决方案等做了详细分享和解读。

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中的一个新领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像、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概括为标注、训练和推理。首先，人工收集和采集图像，标注特征，形成数据；然后，将这些数据喂给计算机，让计算机进行训练，生成网络进行评估，如果这个网络的性能符合要求，就可以上线，实现检测。网络在上线之后，会产生大量的数据，这些数据又可以变成新的样本，通过加入数据，进行迭代优化，让网络和检测系统越来越好。

在深度学习的过程中，建立一个高质量的训练数据集非常关键。高质量训练数据集对于成功部署深度学习解决方案至关重要，边缘情况或者标记不当的数据集会使网络混乱，而标记良好、内部一致的数据集的效果会更佳，训练图像必须在其所代表的类别中具备典型，训练图像样式必须尽量贴近系统部署时会遇到的图像。

深度学习对于机器视觉的应用大致可以分成三种，一是分类，即可以将产品分为合格和不合格，这是深度学习最大的一个应用；二是定位，即帮助使用者定位物体的位置和数量；三是分割，即可以找到缺陷的轮廓，基于缺陷的轮廓和大小，对产品进行更精细的判别。

相对于传统机器学习，深度学习对于机器视觉的作用更显著，在应对无规律图像方面，深度学习机器视觉解决方案，即使图像复杂，通过深度学习算法，软件可以自动学习瑕疵的特征，使得无规律图像的分析变得可能；而传统机器视觉解决方案，当图像不规则、无规律时，缺陷的特征很难通过手动设定，无法分析图像。在精确度方面，深度学习机器视觉解决方案，可通过深度学习算法和制造业特有的数据提高检测的精确度；传统机器视觉解决方案，如果缺陷部分和之前设定好的缺陷有轻微的出入，传统视觉都无法检测出这样的缺陷，导致检测的精确度低。

虽然深度学习在很多方面具有优势，不过也并不是所有任务都适用。在项目中遇到的几个问题以及解决方案，这几个问题分别是：

一、缺陷样本太少的问题，比如iWatch，因为苹果的产品品控非常高、良品率高、缺陷量很少，它能提供的缺陷样品就非常少，这样就没有足够多的缺陷数据可以进行训练。

二、标注工作量大的问题，对于缺陷检测和分割来说，标注的时候需要把缺陷都描出来，如果对于图像覆盖比较大，缺陷比较多的话，工作量就比较大。

三、混入未知缺陷的问题，在生产过程中已经知道了几种缺陷，但是不知道将来会出现哪些缺陷，比如生产过程，突然混入异物、其他料，事先不知道会混入什么料，没有进行训练，机器就检测不出来，会将不合格产品作为合格产品输出。

面对这些问题，大恒图像尝试让机器只学习好的样本，没有坏的样本，因为只学习好的样本，就不需要标注，只需要少量好的样本。如果给机器输入一张不好的图片，它就会给出缺陷的区域，因为只训练好的样品，任何缺陷都可以检测出来，而且运行过程也会很快。

对于混入未知缺陷的问题，将传统机器学习和深度学习搭配使用也是一种可行方案。传统机器学习和深度学习各具优劣势，外观检测有一种情况，可以看出对比度非常高，用传统方法处理，会非常的稳定和快速。而深度学习对瑕疵分类则会更有优势，比如客户需要分出缺陷种类，他们用传统方法花了两个月时间调好之后，如果换另外一种物料，又得重新调，这种情况便适合使用深度学习。然而对于没有进行训练的缺陷出现，深度学习就没有办法检测出来。如果生产的过程中出现这种情况，用传统的方法和深度学习一起应用，传统的方法解决传统的、快速的问题，甚至把合格品分出来，再用深度工具去做一些瑕疵的分类。

随着智能化水平不断提高，机器视觉已经进入高速发展期，中国机器视觉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超过100亿元，预计2019年市场规模将接近125亿，面对日益扩大的市场需求，不断发现实际应用中的问题，并优化产品解决方案是企业能够站稳市场位置的一个重要关键点。

Returns List