基于深度學習的機器視覺在制造業質量檢測中的應用研究

尹陸

摘 要：我們要深入把握新一代人工智能發展的特點，加強人工智能和產業發展融合，為高質量發展提供新動能。”近年來，各主要工業國家陸續發布相關的戰略和政策措施，以此爭先搶占未來先進制造技術和能力的制高點。在產業界，人工智能技術的研究和應用，也在如火如荼地探索和實踐中。在制造業行業，不少學者圍繞智能制造開展相關研究。生產制造是制造業全生命周期中最重要的環節之一，該環節的工業場景最豐富，智能化改造需求最多。而對于制造業企業特別是屬于多品種量多生產方式的制造企業，現有文獻提及較少。由于制造業相當復雜，多品種量多生產方式的電子制造企業尤為如此。目前它們絕大多數是通過傳統的人工和部分軟件系統的指導實現各產品品種間的生產換線，換線效率低且容易出錯，在傳統的信息化能力不足情況下，智能化改造尤為重要且難度較大。因此，為了實現減少人工、快速換線和柔性生產的目的，以滿足市場對個性化產品的需求，采用人工智能技術來提升企業的信息化能力，從而提高企業的整體智能制造水平，就顯得特別有必要。基于此，本篇文章對基于深度學習的機器視覺在制造業質量檢測中的應用進行研究，以供參考。

關鍵詞：基于深度學習;機器視覺;制造業質量檢測;應用分析

引言

隨著“德國工業4.0”、“中國制造2025”等戰略的出臺，傳統制造業正逐步進入智能制造時代，其中“中國制造2025”明確指出我國制造業要向智能化、自動化方向發展。近年來，機器視覺技術快速發展，已廣泛應用于各個領域，將機器視覺引入制造業質量檢測系統可以充當人的眼睛，提高人感知外界環境變化的能力。人有了感知能力后，需根據焊接對象的變化自主實現路徑規劃，以滿足多樣化小批量生產的要求。

1機器視覺技術

機器視覺技術使用機器代替人眼進行測量和判斷，它利用成像設備及處理單元來模擬人眼和大腦，從外界客觀事物中獲取信息，并對其進行處置和解析以進行實際檢測。具體包括以下過程：（1）圖像采集。利用照明光源對目標物體或環境實行光照處理，再利用光學平面成像系統攝取圖像，然后通過工業相機、圖像采集卡將光學圖像轉換為數字圖像，這些被獲取的信息就是機器視覺系統的前端資源出處。（2）圖像處理和分析。計算機對于目標圖像的處理需要通過機器視覺軟件來實現，解析并獲取所需的實用信息。如汽車燈泡是否有外殼破碎、臟污污染、端部開裂這樣的外部瑕疵，這是整個機器視覺系統的核心部分。（3）判斷和控制。經過圖像處理所能得到的信息用作對于目標事物的決策，接著產生相應的操縱指令，再將指令發送給相應的儀器。如采集的燈泡圖像中，長度、外徑、厚薄等尺寸是否符合標準，若不符合就提出警告，進行標識處理或進行剔除操作。

2機器視覺技術發展現狀

機器視覺在中國的發展較晚，在20世紀90年代才有少數的機器視覺技術公司成立，但是在較長的時間內，機器視覺技術在很多行業尚未普及，開發出的機器視覺系統例如表面缺陷檢測、車牌識別等也存在著功能單一、準確性不足等問題。目前，機器視覺技術在歐美、日本等發達國家的發展較為成熟，應用也較為廣泛，主要應用于半導體行業和電子行業，比如PCB印刷電路、電子封裝技術與應用等領域。而我國此類行業還屬于新型產業，機器視覺技術的應用較外國相比具有一定差距。但近年來，隨著相關政策的支持與理論實踐積累，我國已經取得了一定的成果并進入到機器視覺發展的高速階段。機器視覺技術已經慢慢融入國內的半導體、電子制造、印刷、新能源、汽車制造等領域，但現階段應用的場合仍十分有限，需要進行更多的嘗試與開發。

3基于深度學習的機器視覺在制造業質量檢測中的應用分析

3.1系統模塊數據及服務流程

機器視覺質檢系統包括產線上的成像、運動、顯示等前端模塊;部署在工控機上的控制模塊;部署在機房GPU服務器集群上的推理及訓練服務模塊。進行檢測任務之前，產線工人首先需要通過配置前端對產線進行配置，確定檢測的產品種類和業務信息。開始檢測后，系統通過成像模塊采集圖像信息，在工控機上通過簡單的預處理，將圖像通過5G網絡傳輸至GPU服務器集群，調用推理服務得到缺陷檢測結果，工控機的控制模塊對缺陷推理服務返回的結果進行處理后，根據良品、待判、嚴重不良三種類型通過機械結構對產品進行處理。同時，采集到的圖像信息會以一定策略通過分布式的對象存儲服務進行留存，供訓練服務調用，從而對模型進行持續優化迭代。訓練服務同樣部署在GPU計算集群上。通過前端可視化工具可以對模型和采集的圖像進行管理，對產品模板和判定規則進行配置，同時還可以在瀏覽器上對新采集的樣本像進行標注，用于模型的優化迭代和更新。

3.2部署方案

基于深度學習的機器視覺質檢系統主要由成像模塊、機械模塊、產線交互模塊、一臺工控機、一臺質檢GPU服務器和可視化前端構成。工控機負責調度成像模組和機構完成圖片的拍攝，并將圖片上傳至GPU服務器，調用部署在服務器上的算法模型和規則處理程序對缺陷進行識別和判定，最終根據服務返回的識別結果發送給運動機構對應的控制信號。產線交互模塊內置不同產品種類對應的運動參數，在換線時用戶可通過HMI屏或其他顯示設備選擇不同的產品進行配置，并將信息同步至工控機和GPU服務器。前端可視化模塊采用B/S架構，質檢人員在對待判產品進行復判時，可在瀏覽器界面通過產品ID等信息查詢識別結果、缺陷位置圖片、產線缺陷統計數據。

結束語

總而言之，未來完整的機器視覺系統在工業中的使用集成化更高，處理速度更快;通用性能更強，能夠適應不同的工作環境;擁有更加完善的數據庫，能夠更加準確地進行識別;與不同傳感器的信息能夠更好的貼合，穩定性更強;在圖像捕獲和處理方面基于三維圖像上探究。此外，與人工智能的融合可以更好地提高其智能性和學習能力。

參考文獻：

[1]肖剛，葛屨.基于深度學習的機器視覺在制造業質量檢測中的應用研究[J].數據，2019（12）：56-60.

[2]孫建國.機器視覺識別檢測技術在發動機生產制造中的應用研究[C]//2019中國汽車工程學會年會論文集（5）.，2019：357-362.

[3]趙守君，于洋，秦羽舟，楊放青，徐巍巍.基于深度學習的機器視覺技術在造船中的應用[J].船舶工程，2019，43（06）：12-15.