工业技术发展迅猛,深度学习算法不断突破
工业技术发展迅猛,深度学习算法不断突破
随着固件不断成熟，尺寸不断缩小，软件参数上不断优化，以及光源、镜头和相机的品种增多，组合方式多样之后，很多成像难点得以突破。
图像处理：图边缘信息提取，功能不断完善。
模式识别：新算法不断出现，模型匹配不断延展。
深度学习通过多层感知机模拟大脑工作，构建深度神经网络来学习建立复杂特征、学习映射并输出，实现训练中识别功能不断优化的目的。
| 项目 | 人类视觉 | 机器视觉 |
|---|---|---|
| 色彩识别能力 | 不能量化 | 可量化 |
| 灰度分辨力 | 差 | 强 (一般使用256灰度级) |
| 空间分辨率 | 分辨率较差 | 分辨率高，可观测微米级目标 |
| 速度 | 慢 |
快 (快门时间可达10微秒左右) |
| 感光范围 | 窄 | 宽 (从紫外到红外较宽光谱范围) |
| 环境适应性 | 差 | 强 (另外可加防护装置) |
| 观测精度 | 低 | 高 (可到微米级.易量化) |
| 其他 | 主观性，受心理影响易疲劳 | 客现性，可连续工作 |
| 传统算法 | 深度学习 | |
|---|---|---|
| 扩展性 | 当图像不规则、无规律时，缺陷特征很难通过手动设定，无法对图像进行分析识别. |
通过深度学习算法，软件可以自动学习瑕疵的特征，使得无 规律图像的分析变得可能. |
| 精确度 | 若缺陷部分和之前 设定的缺陷特征有差别， 则无法检测，导致精度下降 | 精确度高.通过深度学习其法和 制造业特有的数据可以大幅提高 检测的造确度. |
| 使用壁垒 | 生产环境发生变化时，需要工程师进行手动设定缺陷特征。 | 即使普通工程师，通过便利的GUI界面，也可轻松进作业。 |
极短的时间内精确框出缺陷的位置，给出缺陷种类的概率，而且支持时时视频流探测。
机加工件 |
黑皮锻件 |
|---|---|
表面粗糙度超标 |
开裂 |
| 机加毛刺 | 工装压痕 |
机加接刀痕 | 飞边 |
线切割过切 |
零件断裂 |
零件碰伤 | 内外径均不圆 |
折叠 | 内径塌角 |
机加后殘余黑皮 | 外径塌角 |
开裂 | 打磨凹坑 |
机加工崩刀痕 | 凹槽 |
安装孔数量是否对应设计原稿
金属壳体 激光精度检测系统：精度可达0.01mm，速度可达1m/min
一个旋转滚筒将待检测条带条以一定倾斜角度匀速前进，摄像头架设一定高度对 产品进行缺陷项目检测。