随着機器視覺技術的快速發展，傳統很多需要人工來手動操作的工作，漸漸地被機器所替代。
傳統方法做目辨別别大多都是靠人工實作，從形狀、顔色、長度、寬度、長寬比來确定被識别的目标是否符合标準，最終定義出一系列的規則來進行目辨別别。
這樣的方法在一些簡單的案例中應用的很好，唯一的缺點是随着被識别物體的變動，所有的規則和算法都要重新設計和開發，即使是同樣的産品，不同批次的變化都會造成不能重用的現實。
而随着機器學習，深度學習的發展，很多肉眼很難去直接量化的特征，深度學習可以自動學習這些特征，這就是深度學習帶給我們的優點和前所未有的吸引力。很多特征通過傳統算法無法量化，或者說很難去做到的，但深度學習可以。特别是在圖像分類、目辨別别這些問題上有顯著的提升。
01
使用深度學習進行目辨別别
目前，深度學習技術已成為進行目辨別别的一種普遍方法。
深度學習模型（比如卷積神經網絡，亦稱 CNN）可用來自動學習目标的固有特征，以便識别該目标。
有兩種使用深度學習進行目辨別别的方法：
從頭開始訓練模型：要從頭開始訓練深度網絡，需要收集非常龐大的标簽化資料集，并設計用于學習特征和構模組化型的網絡架構。結果可能讓人驚豔，但這種方法需要大量的訓練資料，而且需要設定 CNN 中的各個層和權重。
使用預先訓練的深度學習模型：大多數深度學習應用程式使用遷移學習方法，該過程涉及對預先訓練的模型進行微調。從現有網絡起步，并輸入包含以往未知類的新資料。這種方法耗時較少，并能夠提供更快的結果，因為該模型已經在數千或數百萬圖像上進行訓練。
深度學習具有很高程度的準确性，但準确預測要求有大量的資料。
02
目辨別别定位檢測技術的應用
衆所周知，機器視覺技術經常用于定位與引導，提供機械手或其它執行機構以準确的二維或三維坐标，進行路徑規劃，引導機械手完成規定的作業和任務。
通常，機器視覺對目标産品定位技術是在高速雲盤機生産流水線的檢測、抓取等過程中應用的關鍵技術。通過目标定位技術能夠識别、确定零件的位置和方向，并将抓取結果直接傳輸到搬運物體的裝置中。
定位與引導系統往往和其它系統一并構成較複雜的技術系統，實作特定的功能，提高生産的柔性和自動化程度，滿足需求。
在一些不适合人工作業的危險環境中，或者應用人工視覺難以滿是定位要求的場合中，常常利用機器視覺替代人工視覺進行目标定位。
矩視智能專注于機器視覺技術，從測量、識别、檢測等角度出發全方位進行定位和引導的研究，通過對圖檔中的不同類别、位置的對象進行定位和分類，實作對圖檔不同缺陷特征的定位和檢測。通過标注，即可建立目标模闆，經過深度學習訓練，便可解決平移、旋轉、縮放和光線等影響。可學習圖像中的多個目标，并同時檢測，給出所有被識别目标的位置和定義。
根據具體問題具體分析，提出各類機器視覺技術定位與引導方案，較低成本地解決各類定位與引導的技術問題。
高精度檢測 精準判斷有無
雲平台基于神經網絡搭建的底層算法平台做支撐，适用于多種高速檢測場景，不需要單獨開發，節省開發成本。
同時檢測不會受到主觀因素幹擾，識别速度可達到毫秒級别，可直接輸出檢測結果。
快速準确定位 計數識别盡收眼底
雲平台隻需通過采集待計數物體的邊緣圖像進行學習并優化，即可計算出整體數量。
并且可以同時統計不同型号的産品數量，滿足企業對高速生産過程中産品數字安全控制的需要。
像素級分割識别 散亂堆疊抗幹擾
雲平台堆疊識别功能支援特殊定制，不需要将堆疊物體分開擺放，可直接勾畫出3D堆疊場景下物體的輪廓，進而能夠精準分割目标，并進行中心點計算，搭載本地GPU，識别速度可以達到毫秒級别。
多目标同時識别 精準計算抓取點
雲平台打破傳統視覺解決方案的繁瑣，隻需要标注、訓練後就可以得到SDK模型并且可以對複雜背景下的單個/多個目标進行識别，通過外形輪廓特征計算抓取點坐标，同時支援多種抓取方式，高效解決各類定位抓取需求。
03
實戰案例
智能盤點鋼筋數量
檢測難點
① 精度要求高
鋼筋本身價格較昂貴，且在實際使用中數量很大，誤檢和漏檢都需要人工在大量的标記點中找出，是以需要精度非常高才能保證驗收人員的使用體驗。
需要專門針對此密集目标的檢測算法進行優化，另外，還需要處理拍攝角度、光線不完全受控，鋼筋存在長短不齊、可能存在遮擋等情況。
② 鋼筋尺寸不一
鋼筋的直徑變化範圍較大（12-32中間很多種類）且截面形狀不規則、顔色不一，拍攝的角度、距離也不完全受控，這也導緻傳統算法在實際使用的過程中效果很難穩定。
③ 邊界難以區分
一輛鋼筋車一次會運輸很多捆鋼筋，如果直接全部處理會存在邊緣角度差、遮擋等問題效果不好，目前在用“單捆處理+最後合計”的流程，這樣的處理過程就會需要對捆間進行分割或者對最終結果進行去重，難度較大。
此外，由于鋼筋存放環境複雜，在儲存運輸過程中常會出現腐蝕、生鏽等問題，易造成鋼筋截面圖像失真，是以，采用傳統基于原始圖像處理方式進行鋼筋計數準确率也隻能達到90%。
矩視智能低代碼開發平台，運用人工智能機器視覺技術，自主研發深度學習引擎，将人工經驗轉化為AI算法，快速清點數量，科學解放人力，具備快速、準确、易操作、适應性強等特性。
現場應用圖檔
雲平台效果
矩視智能低代碼平台在鋼鐵行業的應用——“鋼筋計數”，克服了現有算法由于鋼筋截面形狀不規則、顔色不一、拍攝距離不可控等導緻的無法識别複雜鋼筋圖像的一系列技術難題，在實際操作過程中性能穩定，大幅提高了鋼筋計數效率和準确率。根據多次測試，計數準确率可達到99.9%。
螺絲孔内的螺紋有無應用檢測
檢測難點
産品位置和角度随機，且相機需要傾斜拍攝才能看到一邊的螺絲孔側面，不同位置的特征有一定視差，傳統視覺算法難以準确定位和檢測螺紋。
矩視智能低代碼平台精确檢測螺絲孔内螺紋缺陷、瑕疵，并對缺陷資訊進行統計、分類和分析，優化生産過程控制，将産品進行分級，提高客戶的信賴和滿意度。
可正确檢測螺紋孔，檢測不合格産品時可以發出報警信号（OK/NG），每個檢測周期時間完全能夠滿足客戶要求。良好的産品，内部成像完整且清晰，螺紋紋理流暢，均勻，沒有缺損。不合格産品成像圖檔，可以憑借成像效果判斷缺損方位與嚴重程度。
手機外殼無序抓取、定位引導方面的應用
手機作為移動網際網路的主要終端，需求量逐年遞增，是以手機外觀是品質的一個重要名額，消費者對于手機品質也提出了更高的品質要求。
傳統的手機檢測采用人工檢測的方法，這種方法檢測效率低下，易疲勞，難以長期持續化生産，增加勞動力成本，由于人工主觀因素，産品一緻性和穩定性難以保證，生産資訊也難以統計和追溯，很難滿足現在制造業對産品生産過程自動化和資訊化的要求。
矩視智能低代碼開發平台可實作不同姿态和不同位置無序抓取的定位引導。
工作流程：
●産品移動到拍照工位；
●觸發相機對手機殼進行拍照；
●視覺軟體識别圖像特征，對手機殼定位；
●發送手機殼指定中心坐标資訊給機械手或PLC；
●機械手移動準确抓取手機殼。
本文僅做學術分享，如有侵權，請聯系删文。