電子發燒友報道（文/黃山明）隨著當前工業制造技術的高速發展，機器視覺技術已經逐步成為工業自動化生產過程中不可或缺的關鍵組成部分。從功能上看，機器視覺的主要作用是利用機器替代人眼，通過機器的視覺能力，實現對物體的識別、檢測、測量、工業機器人的定位引導等功能。

從技術角度來看，傳統的工業視覺通過高分辨率圖像對物體進行檢測或識別。那么是否可以結合人工智能技術，讓機器視覺變得更加智能，更加精準呢？答案顯然是可以的，并且已經有許多廠商在這條道路上快速前行。

據國內公開數據統計，2018年中國機器視覺行業銷售總額為83.9億元，比上年同期增長21.6%；研發投入增長至11.7億元，同比增長32.8%。據專業調研機構Grand View Research的預測，到2025年，全球機器視覺市場空間將超過180億美元，年均復合增速7.7%，快速增長的市場也吸引了諸多玩家投身其中。

深度學習讓機器視覺定義缺陷更快速

以外觀缺陷檢測為例，傳統的工業視覺需要由專業的人員對機器進行大量的調試，繁復的調試工作不僅需要大量的工時，同時還需要品管人員進行反復的校核，最終進入產線檢測。而將深度學習與傳統視覺相結合，將極大地優化作業流程。

康耐視華南區銷售經理劉墨在接受電子發燒友采訪時稱：“與過去的機器視覺技術不同的是，傳統機器視覺在前期需要做許多參數的調試，而深度學習的機器視覺是做一種定義的判斷，根據給出樣品照片為產品的缺陷下一個定義?！?br />

深度學習工具|康耐視

與傳統視覺一個明顯的區別就是，只要有足夠的數據，深度學習的機器視覺可以極大縮減前期調試工作的時間，只需要將數據輸入給機器，就能由機器完成建模，以及形成對缺陷的認知。

劉墨表示：“康耐視是一家專注于機器視覺的公司，因此在深度學習具有一定優勢，一個是訓練樣本的數量并不需要太大，單個類型的缺陷（如劃傷、壓痕），僅需要20張左右的圖片訓練就能夠完成初步識別；此外，在訓練時間上，康耐視也有一定優勢，過去一家擁有8000張圖片素材的客戶，訓練只花費了20分鐘左右，而許多廠商的做法是今天晚上將圖片輸入進去，第二天早上再來看結果?！?br />
不過這樣會產生一個問題，即識別樣品較少，只能讓機器初步對某個缺陷產生認知，但這個認知并不完善。深圳市深視創新科技有限公司大客戶經理武栓弟表示：“大多數采用深度學習的機器視覺公司，都能用少數的圖片完成識別，并出具初級報告，但要達到很好的識別效果，還需要更多的樣品照片訓練才行。”

劉墨也表示，如果要機器視覺達到較好的識別，除了需要足夠的樣品照片訓練之外，檢測結果還需要與品管進行對照，來加強準確性。

將深度學習應用在傳統視覺上的優點顯而易見，可以節省大量前期準備工作，同時不用更改結構，準備好數據投喂即可。當然，缺點同樣在于數據，盡管用少量的樣品圖片就能夠完成機器的識別，但想要獲得較好的識別效果，也必須準備足夠的樣本才行。

成本將近10倍 深度學習為何這么貴？

對于工業制造而言，一項成熟的技術除了能夠提高生產效率外，還需要降低成本，這才能得到快速的推廣。那么具體到深度學習的機器視覺技術而言，其表現又如何呢？

劉墨認為，成本是相對的，同時這項技術的出現也主要是為了替代人工，行業內通常是一年半可以收回成本，而康耐視解決方案的成本，可以在一年內收回。

從具體的價格來看，據武栓弟透露，一套不含生產線的深度學習機器視覺解決方案價格在16萬元左右。但一套傳統的機器視覺檢測方案價格是多少呢？據深圳市倍諾自動化設備有限公司副總經理瞿劍飛表示，一套普通的機器視覺方案價格在2萬以內。

為何深度學習解決方案價格會高出這么多？一個是開發過程需要基于工具的規則變成與基于實例的培訓，同時在硬件投入上，深度學習需要更多的處理和存儲。

工業圖像缺陷樣本管理系統|深視創新

當然，貴有貴的好處，深度學習可以在沒有明確編程的情況下解決特定任務。以產品劃痕缺陷檢測為例，傳統視覺中對于這種檢測需要進行嚴格的定義，通過設定不同的尺寸來看機器判斷什么是劃痕，而深度學習系統可以通過數據的喂養，識別出不在喂養數據之內的劃痕缺陷。

此外，對于傳統機器視覺而言，檢測具有復雜表面紋理和外觀變化的視覺相似部件是一個困難的挑戰。同時檢測現場還存在多個變量，如光照、顏色變化、曲率等，一些缺陷檢測用傳統的機器視覺很難做到，而深度學習為解決這些問題帶來了可能。

傳統機器視覺檢測在面對這些問題時，需要不斷的進行調試，以及外部環境的配合，檢測準確率的提升是一個繁瑣的工作，但通過深度學習，只需要持續的進行樣品數據的訓練，便能不斷的提高機器視覺檢測的準確度。

不過瞿劍飛也提出了一個觀點，雖然深度學習可以幫助企業更好的解決傳統機器視覺的檢測難點問題，但這些問題很多可以通過外部調試進行完善，比如可以通過加強光照解決現場燈光復雜的問題。而對于企業而言，很難完全利用到深度學習中的所有功能，那么對于這個企業而言，那些多余的功能就是一種浪費。因此，選擇深度學習還是傳統機器視覺，需要企業自己去衡量。

深度學習能替代傳統機器視覺嗎？

需要注意的是，深度學習并非適合所有檢測場景，如在流水生產線中，產線不停的情況下進行快速檢測。劉墨表示這種情況可以使用傳統機器視覺方案解決。

廣東廣源智能科技有限公司便是一家通用智能高速機器視覺平臺，據其銷售工程師王呂森介紹，其平臺正是適用于產線高速機器視覺檢測的，不過高速檢測必須具備幾項條件，一個是缺陷種類少，另一個是產品形狀規范，如對塑料瓶的檢測。

王呂森表示，他們也嘗試過深度學習的機器視覺，但發現其中還存在一個問題，深度學習可以快速形成對缺陷的認知是建立在大量數據的基礎上的。但對于許多企業而言，前期缺陷數據的收集比較欠缺，這時就需要廠商進行協助。

劉墨對此還舉了一個案例，今年疫情期間，某家LED芯片半導體公司返工困難，質檢人員稀缺，為廠商帶來了極大地困難?？的鸵曂ㄟ^深度學習產品，陪同客戶在現場做了將近一個月的驗證，對放大200倍的芯片圖片進行分析判斷，成功的將之前由人工判斷的缺陷檢測出來，而且檢測穩定性遠遠高于人工。

特殊時期可以理解，但對于普通工廠而言，如果要求原廠派人員在現場進行長時間的調試，其成本顯然不低。

對此，武栓弟提出，可以通過多設備聯機質檢進行大數據分析，即采用聯網的方式，能有效節省人力成本。但這種情況只適用于可以聯網的深度學習機器視覺設備中，而對于不可聯網的設備，只能由工程師進行現場調試。

劉墨提出了一個較為完善的解決方案，即廠商自己學習建模，檢測新的產品。康耐視也傾向讓客戶自己學習，一個是客戶對自己的工藝更加熟悉，可以更準確的把握自己的需求。另一個則是廠商可能在生產中產生一些隨機的要求，設備商可能需要時間前往現場才能滿足客戶的相關需求，但客戶如果能夠熟悉產品能夠自己很快的進行重新調試。

此外，深度學習的機器視覺并不針對單一產品。武栓弟表示，深度學習最大的優勢便是體現在其靈活性上。通過重新建模，可以很快將這套設備應用到其他產品的檢測當中。

從這一點來看，對比傳統機器視覺，深度學習可以通過訓練，很快適應新產品的檢測，意味著買一套方案可以適應所有的解決場所，這是過去很難做到的。但針對特殊場景，如生產線的快速檢測，還是傳統視覺的強項。可以認為深度學習是過去機器視覺的有利補充，雙方并非替代的關系。

小結

總體而言，深度學習是機器視覺的一種延伸。企業向智能工廠的轉變推動了機器視覺的發展，而對檢測提出更高的要求，加上如今電腦技術的發展，讓深度學習有了用武之地。需要注意的是，傳統機器視覺與深度學習是互補而非替代的關系，深度學習的出現，可以為廠商帶來最重要的差異化以及更豐厚的利潤，在傳統機器視覺已經高度成熟的今天，新的可行性技術也意味著新的財富密碼。

本文由電子發燒友原創，未經授權禁止轉載。如需轉載，請添加微信elecfans999。