手语识别 机器学习_用于目标识别的自学习机器视觉系统

机器视觉是工业4.0，即工业物联网背景下高度自动化和无缝联网过程的关键技术。使用诸如深度学习之类的新的人工智能过程变得越来越重要。许多好处使这项技术具有吸引力，但同时它也有局限性。

工业生产的自动化正在迅速发展。完全网络化和数字化的流程链在生产车间早已司空见惯。在工业4.0和智能工厂中，所有涉及的组件——包括机器、机器人、传输和处理系统、传感器和图像采集设备——一起工作，彼此无缝通信。机器人领域也出现了一种新趋势:小型、紧凑的移动机器人，即协作机器人(collaborative robots, cobots)正在加入生产流程，并经常与人类同事密切合作。cobots的最大好处是，它们可以快速地重新装备，并且只需很少的工作，这使得灵活地使用它们来完成不同的生产任务成为可能。

伴随并支持整个价值创建过程的互补技术在这些高度自动化的场景中扮演着重要的角色。这些包括，例如，可编程逻辑控制器(plc)和机器视觉。后者作为“生产之眼”实时观察和监控生产过程。图像采集设备，如相机、扫描仪和3D传感器，被放置在多个位置，并从不同的角度记录过程。生成的数字图像数据通过集成的机器视觉软件进行处理，可用于处理链中的各种任务。例如，可以根据光学特性可靠地检测目标并精确定位。该技术还可以检测产品的制造故障，从而自动排除故障，从而优化质量保证流程。

基于卷积神经网络(CNNs)架构的深度学习

越来越多的先进人工智能(AI)技术被纳入机器视觉系统。其中一项技术是基于卷积神经网络(CNN)体系结构的深度学习。大量的数字图像信息用于广泛的培训过程。基于这些数据，软件可以独立地对新对象进行分类。在训练过程中，自动学习特定对象类的特征。因此，新的图像数据可以精确地分配给它们的特定类别，从而产生非常高和强大的识别率。这些深度学习算法也适用于精确目标 定位 和缺陷识别。

机器视觉是“生产之眼”

深度学习技术注定要在机器视觉应用程序的某些领域使用。这些主要包括分类、对象检测和语义分割。这就是智能算法的优势所在。然而，在其他机器视觉应用中，深度学习的适用性有一定的局限性。由于需要分析大量的数据，训练过程通常需要非常大的计算能力和适当尺寸的硬件。特别是在时间非常关键的应用程序中，标准CPU通常是不够的。不适用于高速应用程序，例如高精度测量任务和具有毫米或微米精度的目标定位。在这种情况下，深度学习算法在一个标准CPU上需要50到100毫秒。然而，这种精确定位只需要几毫秒。这里需要的是一个功能强大的GPU， 通常 GPU是不适用于工业用途的硬件。

深度学习并非适用于所有应用

在工业应用中，深度学习也不是最佳选择，例如在电子和半导体工业中，要检测或识别的对象与实际情况非常相似。由于这些组件通常具有非常相似的外观，因此使用传统机器视觉方法进行培训只需要几个示例图像。在许多情况下，即使是单个图像也足以可靠地检测到对象并精确定位它们。然而，只有当每个对象至少有100个训练图像可用时，使用深度学习算法才有意义。因此，使用常规方法(如基于规则的软件技术)可以更好地解决机器视觉任务，其中要