隨著機器視覺技術的快速發(fā)展，傳統(tǒng)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(tǒng)方法做目標識別大多都是靠人工實現(xiàn)，從形狀、顏色、長度、寬度、長寬比來確定被識別的目標是否符合標準，最終定義出一系列的規(guī)則來進行目標識別。

這樣的方法在一些簡單的案例中應用的很好，唯一的缺點是隨著被識別物體的變動，所有的規(guī)則和算法都要重新設計和開發(fā)，即使是同樣的產(chǎn)品，不同批次的變化都會造成不能重用的現(xiàn)實。

而隨著機器學習，深度學習的發(fā)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(yōu)點和前所未有的吸引力。很多特征通過傳統(tǒng)算法無法量化，或者說很難去做到的，但深度學習可以。特別是在圖像分類、目標識別這些問題上有顯著的提升。

01

使用深度學習進行目標識別

目前，深度學習技術已成為進行目標識別的一種普遍方法。

深度學習模型（比如卷積神經(jīng)網(wǎng)絡，亦稱 CNN）可用來自動學習目標的固有特征，以便識別該目標。

有兩種使用深度學習進行目標識別的方法：

從頭開始訓練模型：要從頭開始訓練深度網(wǎng)絡，需要收集非常龐大的標簽化數(shù)據(jù)集，并設計用于學習特征和構建模型的網(wǎng)絡架構。結果可能讓人驚艷，但這種方法需要大量的訓練數(shù)據(jù)，而且需要設置 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(shù)深度學習應用程序使用遷移學習方法，該過程涉及對預先訓練的模型進行微調(diào)。從現(xiàn)有網(wǎng)絡起步，并輸入包含以往未知類的新數(shù)據(jù)。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(jīng)在數(shù)千或數(shù)百萬圖像上進行訓練。

深度學習具有很高程度的準確性，但準確預測要求有大量的數(shù)據(jù)。

02

目標識別定位檢測技術的應用

眾所周知，機器視覺技術經(jīng)常用于定位與引導，提供機械手或其它執(zhí)行機構以準確的二維或三維坐標，進行路徑規(guī)劃，引導機械手完成規(guī)定的作業(yè)和任務。

通常，機器視覺對目標產(chǎn)品定位技術是在高速云盤機生產(chǎn)流水線的檢測、抓取等過程中應用的關鍵技術。通過目標定位技術能夠識別、確定零件的位置和方向，并將抓取結果直接傳輸?shù)桨徇\物體的設備中。

定位與引導系統(tǒng)往往和其它系統(tǒng)一并構成較復雜的技術系統(tǒng)，實現(xiàn)特定的功能，提高生產(chǎn)的柔性和自動化程度，滿足需求。

在一些不適合人工作業(yè)的危險環(huán)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標定位。

矩視智能專注于機器視覺技術，從測量、識別、檢測等角度出發(fā)全方位進行定位和引導的研究，通過對圖片中的不同類別、位置的對象進行定位和分類，實現(xiàn)對圖片不同缺陷特征的定位和檢測。通過標注，即可建立目標模板，經(jīng)過深度學習訓練，便可解決平移、旋轉、縮放和光線等影響?？蓪W習圖像中的多個目標，并同時檢測，給出所有被識別目標的位置和定義。

根據(jù)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

云平臺基于神經(jīng)網(wǎng)絡搭建的底層算法平臺做支撐，適用于多種高速檢測場景，不需要單獨開發(fā)，節(jié)省開發(fā)成本。

同時檢測不會受到主觀因素干擾，識別速度可達到毫秒級別，可直接輸出檢測結果。

快速準確定位 計數(shù)識別盡收眼底

云平臺只需通過采集待計數(shù)物體的邊緣圖像進行學習并優(yōu)化，即可計算出整體數(shù)量。

并且可以同時統(tǒng)計不同型號的產(chǎn)品數(shù)量，滿足企業(yè)對高速生產(chǎn)過程中產(chǎn)品數(shù)字安全控制的需要。

像素級分割識別 散亂堆疊抗干擾

云平臺堆疊識別功能支持特殊定制，不需要將堆疊物體分開擺放，可直接勾畫出3D堆疊場景下物體的輪廓，從而能夠精準分割目標，并進行中心點計算，搭載本地GPU，識別速度可以達到毫秒級別。

多目標同時識別 精準計算抓取點

云平臺打破傳統(tǒng)視覺解決方案的繁瑣，只需要標注、訓練后就可以得到SDK模型并且可以對復雜背景下的單個/多個目標進行識別，通過外形輪廓特征計算抓取點坐標，同時支持多種抓取方式，高效解決各類定位抓取需求。

03

實戰(zhàn)案例

智能盤點鋼筋數(shù)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(shù)量很大，誤檢和漏檢都需要人工在大量的標記點中找出，所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標的檢測算法進行優(yōu)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

鋼筋的直徑變化范圍較大（12-32中間很多種類）且截面形狀不規(guī)則、顏色不一，拍攝的角度、距離也不完全受控，這也導致傳統(tǒng)算法在實際使用的過程中效果很難穩(wěn)定。

③ 邊界難以區(qū)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+最后合計”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(huán)境復雜，在儲存運輸過程中常會出現(xiàn)腐蝕、生銹等問題，易造成鋼筋截面圖像失真，所以，采用傳統(tǒng)基于原始圖像處理方式進行鋼筋計數(shù)準確率也只能達到90%。

矩視智能低代碼開發(fā)平臺，運用人工智能機器視覺技術，自主研發(fā)深度學習引擎，將人工經(jīng)驗轉化為AI算法，快速清點數(shù)量，科學解放人力，具備快速、準確、易操作、適應性強等特性。

現(xiàn)場應用圖片

云平臺效果矩視智能低代碼平臺在鋼鐵行業(yè)的應用——“鋼筋計數(shù)”，克服了現(xiàn)有算法由于鋼筋截面形狀不規(guī)則、顏色不一、拍攝距離不可控等導致的無法識別復雜鋼筋圖像的一系列技術難題，在實際操作過程中性能穩(wěn)定，大幅提高了鋼筋計數(shù)效率和準確率。根據(jù)多次測試，計數(shù)準確率可達到99.9%。

螺絲孔內(nèi)的螺紋有無應用檢測

檢測難點

產(chǎn)品位置和角度隨機，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(tǒng)視覺算法難以準確定位和檢測螺紋。

矩視智能低代碼平臺精確檢測螺絲孔內(nèi)螺紋缺陷、瑕疵，并對缺陷信息進行統(tǒng)計、分類和分析，優(yōu)化生產(chǎn)過程控制，將產(chǎn)品進行分級，提高客戶的信賴和滿意度。

可正確檢測螺紋孔，檢測不合格產(chǎn)品時可以發(fā)出報警信號（OK/NG），每個檢測周期時間完全能夠滿足客戶要求。良好的產(chǎn)品，內(nèi)部成像完整且清晰，螺紋紋理流暢，均勻，沒有缺損。不合格產(chǎn)品成像圖片，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

手機作為移動互聯(lián)網(wǎng)的主要終端，需求量逐年遞增，所以手機外觀是質(zhì)量的一個重要指標，消費者對于手機質(zhì)量也提出了更高的品質(zhì)要求。 傳統(tǒng)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(xù)化生產(chǎn)，增加勞動力成本，由于人工主觀因素，產(chǎn)品一致性和穩(wěn)定性難以保證，生產(chǎn)信息也難以統(tǒng)計和追溯，很難滿足現(xiàn)在制造業(yè)對產(chǎn)品生產(chǎn)過程自動化和信息化的要求。矩視智能低代碼開發(fā)平臺可實現(xiàn)不同姿態(tài)和不同位置無序抓取的定位引導。工作流程：●產(chǎn)品移動到拍照工位； ●觸發(fā)相機對手機殼進行拍照； ●視覺軟件識別圖像特征，對手機殼定位； ●發(fā)送手機殼指定中心坐標信息給機械手或PLC； ●機械手移動準確抓取手機殼。

審核編輯 ：李倩