機器視覺經過長時間的發(fā)展，技術不斷取得重大突破并被廣泛應用，當前已遍布工業(yè)生產的各個環(huán)節(jié)。而且機器視覺易于實現自動化集成，軟件集成，是實現智能制造的基礎技術。據統(tǒng)計，中國的機器視覺市場需求近幾年處于持續(xù)高速增長階段，年復合增長率保持在23%。截至2021年，國內機器視覺市場規(guī)模達163.8億元。

目前，機器視覺在工業(yè)領域的應用主要包含定位、測量、識別、檢測等方向。隨著制造業(yè)智能制造轉型步伐加快，工業(yè)視覺在各個方向上的應用都面臨著精度、速度與準確率要求越來越高的挑戰(zhàn)。這其中的部分問題隨著硬件水平的提高得到了有效的解決，比如采集硬件的分辨率、傳輸帶寬、運算效率方面，但是也有一部分問題，需要長周期的實踐和迭代升級才有可能解決，其核心關鍵點在于深度學習技術的發(fā)展與應用。深度學習技術會使工業(yè)視覺的應用邊界得到極大地拓展，由原來只能在產品標準化、一致性極高的場景，變成幾乎可以替代人眼進行任意場景下的視覺檢測應用，而且不止是工業(yè)生產方面，在農業(yè)、民用等領域也可以取得良好的應用效果。

傳統(tǒng)算法的實施效率高、消耗的算力和功耗少，這是深度學習無法比擬的優(yōu)勢。但針對一些代表性的場景如特征明顯但存在異物干擾的情況，使用傳統(tǒng)算法唯一的問題是會造成一定程度的過殺，而深度學習可以解決這些傳統(tǒng)算法無法解決的復雜場景問題。因此，從項目實施的復雜性和成本角度考慮，傳統(tǒng)算法和深度學習相結合是應該優(yōu)先考慮的方案。

多年的研發(fā)和一線實踐，維視智造團隊深諳傳統(tǒng)算法與深度學習優(yōu)勢與邊界，因此開創(chuàng)性地將傳統(tǒng)算法融合深度學習，推出了面向工業(yè)4.0時代，加載深度學習技術的通用智能視覺開發(fā)平臺VisionBank AI。最新版本幾乎可以完成任何行業(yè)內任何場景下的圖像處理任務。而且基于英特爾OpenVINO的硬件加速，可幫助制造業(yè)用戶快速構建自己的深度學習解決方案，在簡化開發(fā)流程、提高檢測準確性的同時，可以有效為用戶節(jié)省部署成本。

VisionBank AI具備四大核心優(yōu)勢：應用簡單、穩(wěn)定高效、深入場景與快速迭代。

應用簡單

VisionBank AI的操作界面清晰易懂，模塊化、0代碼、智能化、拖拉拽式的開發(fā)模式，操作簡單，視覺應用搭建效率更高。

穩(wěn)定高效

結構穩(wěn)定、運行高效，VisionBank AI基于15年的研發(fā)和市場實踐，已形成高度穩(wěn)定的系統(tǒng)架構和成熟的模塊化算法結構，軟件穩(wěn)定性更強。同時流程與流程間、模塊與模塊間均支持并行運算，IO、PLC協議、圖像存儲等功能全部內置，可快速適配機器視覺其他軟硬件部署。

深入場景

維視智造擁有20年的一線經驗積累，涉足成千上萬的視覺檢測場景，形成VisionBank AI扎實全面的能力基因。針對細分場景，則開發(fā)了大量專用算法模塊，如彈簧檢測、齒輪檢測、管材檢測、扇貝定位等。

快速迭代

隨著新算法、新技術和創(chuàng)新應用的不斷發(fā)展，VisionBank AI項目開發(fā)架構及系統(tǒng)架構可高效完成升級迭代，從而覆蓋更廣的場景問題。

VisionBank AI為補齊傳統(tǒng)算法盲區(qū)，重點開發(fā)了3類深度學習專用工具：“特征智能分割”、“特征智能分類”和“智能定位”。這三大工具將有效解決在機器視覺檢測中，產品缺陷特征難識別、特征分割不穩(wěn)定以及興趣對象難以穩(wěn)定定位的問題，為制造業(yè)更復雜的生產場景和更精細化的檢測需求帶來有效的解決方案。

VisionBank AI共實現了4項技術突破

1、對平臺算力要求降低，精簡項目成本。VisionBank AI在線推理的神經網絡模型均基于OpenVINO進行了模型優(yōu)化，優(yōu)化后的模型，對算力平臺的要求最高可降低16倍（不同類型的模型優(yōu)化結果有差異）。使得VisionBank AI的在線推理可全部基于CPU完成，降低GPU使用需求，從而優(yōu)化企業(yè)的成本控制。

優(yōu)化后的神經網絡模型檢測“焊靶”缺陷，處理時間僅需24ms（基于CPU推理）

2、訓練數據量降低100倍。創(chuàng)新的深度學習模塊和傳統(tǒng)缺陷檢測算法深度融合，可以利用傳統(tǒng)算法“過檢”后的“圖像塊”來訓練“缺陷過濾神經網絡模型”，在利用對抗訓練的準確性優(yōu)勢下，有效解決了“負樣本”圖像數據獲取問題。

使用傳統(tǒng)算法的“中間數據”訓練網絡模型

3、新一代特征匹配算法，提速11倍。最新開發(fā)的第四代“特征匹配算法”相對于第一代算法，匹配速度提升了11倍，支持以下異常特征匹配：特征被部分遮擋、特征大小有縮放、特征扭曲變形以及特征顯示不全等。

匹配定位+線芯檢測502個對象，總耗時103毫秒（500萬像素）

4、最新升級的架構模塊，最多支持16臺相機同時并行檢測。一臺處理器可以當16臺處理器使用，在多相機協同工作場景，實現了有效的成本優(yōu)化。

維視智造以VisionBank AI搭載高性能視覺產品，已在多個復雜場景中落地應用，為數千客戶解決了多個工業(yè)檢測難題。

在光伏行業(yè)“引線焊接質量檢測”項目中，檢測的特征隨機多樣、干擾因素繁雜，維視智造使用VisionBank AI，部署了“傳統(tǒng)算法+深度學習+深度學習”的三嵌套方案，最終使檢測速度提升至2秒1板，并在“0漏檢”的前提下，使“誤檢率”低至0.01%。

3C電子行業(yè)常見的手機后蓋缺陷檢測，檢測產品缺陷不同特征之間形態(tài)差異大、部分缺陷不明顯，打光難度大，但客戶往往對檢測精準度、速度要求高。使用VisionBank AI特有的缺陷檢測功能，即可將種類繁多、特征各異的缺陷實現高效識別，準確識別率大于99.99%。

汽車行業(yè)的汽車變速器料盒在線檢測場景，通常使用機器視覺檢測來料盤上的物料是否有漏放、錯放、掉件等，其產品尺寸大、檢測細節(jié)多、干擾多，彈簧間距不容易判斷，以往的人工檢測“誤檢”和“漏檢”率高。VisionBank AI的彈簧狀態(tài)檢測專用算法模塊，使用特有的特征提取算法，可極大提高檢測速度和準確率，使識別準確率高于99.9%。

除上述實踐案例外，維視智造的VisionBank AI也已在鋰電、汽車、半導體、 醫(yī)療與食品、教育等行業(yè)成功落地使用，為各行業(yè)的智能化升級，降本增效提供助力。

審核編輯黃昊宇