统一热线:18020500647

您所在的位置:精质视觉 > 新闻中心>传统视觉检测和深度学习检测

传统视觉检测和深度学习检测

2022-10-28 14:54:02 精质视觉

  传统视觉检测cD9机器视觉检测设备_CCD视觉检测_外观缺陷检测系统_精质视觉

  在机器学习,深度学习还没有发展的这么火热之前, 国外几款做的几款非常好的视觉软件业内人士应该都很清楚。比如Halcon, Visionpro, Cognix, MIL等等都是业内用的比较多,而且比较成功的视觉软件。其中很多模块都有定位,测量,检测等功能。cD9机器视觉检测设备_CCD视觉检测_外观缺陷检测系统_精质视觉

  但是这些传统的方法来做缺陷检测大多都是靠人来特征工程, 从形状,颜色, 长度,宽度,长宽比来确定被检测的目标是否符合标准,最终定义出一系列的规则来进行缺陷检测。这样的方法当然在一些简单的case中已经应用的很好, 唯一的缺点是随着被检测物体的变动,所有的规则和算法都要重新设计和开发,即使是同样的产品,不同批次的变化都会造成不能重用的现实。cD9机器视觉检测设备_CCD视觉检测_外观缺陷检测系统_精质视觉

  总结:传统机器视觉算法通常处理容易提取,容易量化的特征:颜色、面积、圆度、角度、长度等。cD9机器视觉检测设备_CCD视觉检测_外观缺陷检测系统_精质视觉

  深度学习检测cD9机器视觉检测设备_CCD视觉检测_外观缺陷检测系统_精质视觉

  随着机器学习, 深度学习的发展,很多人眼很难去直接量化的特征, 深度学习可以搞定, 这就是深度学习带给我们的优点和前所未有的吸引力。很多特征我们通过传统算法无法量化,或者说很难去做到的, 深度学习可以搞定。特别是在图像分类, 目标检测这些问题上取得了显著的提升。cD9机器视觉检测设备_CCD视觉检测_外观缺陷检测系统_精质视觉

  这些算法给其他领域提供了很多参考和借鉴意义。比如本文讨论的缺陷检测, 上面的很多网络的特点,以及方法都给了我们很多的启发,我们在设计网络结构的时候,配合自己在产线部署的硬件性能,设计适合项目的网络结构。cD9机器视觉检测设备_CCD视觉检测_外观缺陷检测系统_精质视觉

  当然,深度学习的方法用来检测,也有自己的很多缺点。例如:数据量要求大,工业数据收集成本高。但是随着数据增强技术,无监督学习的不断进步,在某些应用场景上,这些缺点渐渐被隐藏了。例如学术界正在研究的,自动网络结构设计,自动数据标注等等。所以作者认为随着技术的发展,这个领域将会得到很大的提升,人工检测终将会被机器检测替代。然后你看到的无人工厂更加会无人化~cD9机器视觉检测设备_CCD视觉检测_外观缺陷检测系统_精质视觉

相关产品