自成像传感器诞生起,国外机器视觉产业开始萌芽,经多年发展,目前已进入产业发展中期,机器视觉相较于人眼识别在速度、精度、适应性、效率性等方面的优势显著,已成为智能制造领域中的重要组成部分。随着自身技术的成熟和各行业智能制造需求的增长,机器视觉的应用场景不断扩充,在电子制造、平板显示、汽车、印刷、半导体、食品饮料包装、制药、生命科学等众多行业均成功应用。
我国机器视觉产业起步较晚,早期主要以技术引进的方式快速掌握国外机器视觉的先进经验。凭借我国发达的制造业基础,我国机器视觉产业高速发展,已进入发展中期。近年来,国家大力推进制造业转型和智能制造,国内制造业升级转型和国产化替代的趋势明显加快,我国机器视觉行业迎来了空前的发展机遇,市场规模快速提升。
机器视觉作为神经网络的高阶发展产物,深度学习通过大脑仿生使得计算机从经验中学习知识,根据层次化概念体系理解环境,进而去拟人化地解决难以形式化描述的任务。深度学习的常用模型主要包括循环神经网络、卷积神经网络和稀疏编码等,主要应用于图像处理、数据分析、语音识别等领域。
基于深度学习的缺陷视觉检测,借助特征可视化手段对深度学习模型提取到的特征进行可视化分析来检测产品瑕疵,提升分级模型训练的准确度,实现产品缺陷的高效准确分级,解决工业生产过程中外观检测的痛点和难点。
相比于传统检测手段,基于深度学习的视觉检测在产品缺陷检测中应用具有更高效及自动的提取特征能力、突出的抽象和表达能力。然而,复杂的工业生产环境、多种多样的生产工艺等因素,造成外观缺陷种类和特征各不相同。
目前,基于深度学习的缺陷视觉检测系统在行业应用上尚无通用的检测算法,针对不同的应用场景,需要分析设计最优的图像采集和检测方案。未来,随着相关技术的不断发展,深度学习技术有望与机器视觉系统在工业检测领域充分融合,进一步提升生产制造过程中的检测水平。