1. 應(yīng)用背景

隨著機(jī)器視覺(jué)，工業(yè)自動(dòng)化的快速發(fā)展，工業(yè)4.0的概念已經(jīng)被提上日程。傳統(tǒng)很多需要人工來(lái)手動(dòng)操作的工作，漸漸的被機(jī)器所替代。這當(dāng)然也是人類科技進(jìn)步和發(fā)展的必然趨勢(shì)，工業(yè)的進(jìn)步到頭來(lái)還是服務(wù)于人類，給人類帶來(lái)高質(zhì)量的生活體驗(yàn)，而不是整天做著乏味無(wú)趣的工作。

這里我要討論的話題是關(guān)于缺陷檢測(cè)機(jī)器自動(dòng)化方面，先說(shuō)下現(xiàn)狀吧，在富士康，伯恩光學(xué)，藍(lán)思，信利等國(guó)內(nèi)幾大知名半導(dǎo)體制造廠商的朋友肯定看到過(guò)下面的畫(huà)面。

近幾年隨著智能手機(jī)，平板，各種觸摸設(shè)備的火速發(fā)展，促進(jìn)了玻璃半導(dǎo)體行業(yè)的巨大需求。讀者不乏看看周邊的朋友，我想平均每個(gè)人都至少有2部移動(dòng)設(shè)備吧，一部手機(jī)，一部平板。但是使用者有沒(méi)有思考過(guò)這些電子產(chǎn)品的構(gòu)成。我們就拿屏幕和內(nèi)部芯片來(lái)舉個(gè)例子。

每一臺(tái)智能觸摸設(shè)備都會(huì)佩戴一塊屏幕，其中就有蓋板玻璃。蓋板玻璃在安裝在觸摸設(shè)備之前，在類似圖一，圖二的車間中經(jīng)過(guò)了好幾道檢測(cè)工序， 其中很關(guān)鍵的一道工序就需要無(wú)數(shù)QC質(zhì)檢的火眼金金幫我們剔除掉有缺陷的玻璃， 最終來(lái)到我們用戶手中的玻璃是沒(méi)有缺陷，或者說(shuō)基本沒(méi)有缺陷的。當(dāng)我們看到圖二中的情景，我們是否想用如今的高科技來(lái)解救一下他們繁瑣無(wú)趣的工作，當(dāng)然我這樣說(shuō)肯定有人反對(duì)。

Anyway, 上面之所以說(shuō)了這么多，還是想讓大家清楚的知道現(xiàn)在工業(yè)界的一個(gè)真正的需求， 所以下面我們要討論的話題就是如何來(lái)解救現(xiàn)在工廠中正在睜大眼睛，埋頭檢測(cè)玻璃或者其他物體表面缺陷的少女們～

2. 傳統(tǒng)視覺(jué)檢測(cè)

在機(jī)器學(xué)習(xí)，深度學(xué)習(xí)還沒(méi)有發(fā)展的這么火熱之前， 國(guó)外幾款做的幾款非常好的視覺(jué)軟件業(yè)內(nèi)人士應(yīng)該都很清楚。比如Halcon, Visionpro, Cognix, MIL等等都是業(yè)內(nèi)用的比較多，而且比較成功的視覺(jué)軟件。其中很多模塊都有定位，測(cè)量，檢測(cè)等功能。

但是這些傳統(tǒng)的方法來(lái)做缺陷檢測(cè)大多都是靠人來(lái)特征工程， 從形狀，顏色， 長(zhǎng)度，寬度，長(zhǎng)寬比來(lái)確定被檢測(cè)的目標(biāo)是否符合標(biāo)準(zhǔn)，最終定義出一系列的規(guī)則來(lái)進(jìn)行缺陷檢測(cè)。這樣的方法當(dāng)然在一些簡(jiǎn)單的case中已經(jīng)應(yīng)用的很好， 唯一的缺點(diǎn)是隨著被檢測(cè)物體的變動(dòng)，所有的規(guī)則和算法都要重新設(shè)計(jì)和開(kāi)發(fā)，即使是同樣的產(chǎn)品，不同批次的變化都會(huì)造成不能重用的現(xiàn)實(shí)。

總結(jié)：傳統(tǒng)機(jī)器視覺(jué)算法通常處理容易提取，容易量化的特征：顏色、面積、圓度、角度、長(zhǎng)度等。

3. 深度學(xué)習(xí)檢測(cè)

隨著機(jī)器學(xué)習(xí)， 深度學(xué)習(xí)的發(fā)展，很多人眼很難去直接量化的特征， 深度學(xué)習(xí)可以搞定， 這就是深度學(xué)習(xí)帶給我們的優(yōu)點(diǎn)和前所未有的吸引力。很多特征我們通過(guò)傳統(tǒng)算法無(wú)法量化，或者說(shuō)很難去做到的， 深度學(xué)習(xí)可以搞定。特別是在圖像分類， 目標(biāo)檢測(cè)這些問(wèn)題上取得了顯著的提升。下圖是近幾年來(lái)深度學(xué)習(xí)在圖像分類問(wèn)題上取得的成績(jī)。

圖三 圖像分類

下圖是近幾年來(lái)深度學(xué)習(xí)算法在目標(biāo)檢測(cè)問(wèn)題上的發(fā)展。

圖四 目標(biāo)檢測(cè)

之所以提出上面的算法， 是因?yàn)檫@些算法給其他領(lǐng)域提供了很多參考和借鑒意義。比如本文討論的缺陷檢測(cè)， 上面的很多網(wǎng)絡(luò)的特點(diǎn)，以及方法都給了我們很多的啟發(fā)，我們?cè)谠O(shè)計(jì)網(wǎng)絡(luò)結(jié)構(gòu)的時(shí)候，配合自己在產(chǎn)線部署的硬件性能，設(shè)計(jì)適合項(xiàng)目的網(wǎng)絡(luò)結(jié)構(gòu)。

當(dāng)然，深度學(xué)習(xí)的方法用來(lái)檢測(cè)，也有自己的很多缺點(diǎn)。例如：數(shù)據(jù)量要求大，工業(yè)數(shù)據(jù)收集成本高。但是隨著數(shù)據(jù)增強(qiáng)技術(shù)，無(wú)監(jiān)督學(xué)習(xí)的不斷進(jìn)步，在某些應(yīng)用場(chǎng)景上，這些缺點(diǎn)漸漸被隱藏了。例如學(xué)術(shù)界正在研究的，自動(dòng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)，自動(dòng)數(shù)據(jù)標(biāo)注等等。所以作者認(rèn)為隨著技術(shù)的發(fā)展，這個(gè)領(lǐng)域?qū)?huì)得到很大的提升，人工檢測(cè)終將會(huì)被機(jī)器檢測(cè)替代。然后你看到的無(wú)人工廠更加會(huì)無(wú)人化～

具體的檢測(cè)工業(yè)應(yīng)用，作者在github上有講的很清楚， 有感興趣的朋友可以直接鏈接過(guò)去了解。

編輯：黃飛