基于深度学习的机器视觉在制造业质量检测中的应用研究

尹陆

摘 要：我们要深入把握新一代人工智能发展的特点，加强人工智能和产业发展融合，为高质量发展提供新动能。”近年来，各主要工业国家陆续发布相关的战略和政策措施，以此争先抢占未来先进制造技术和能力的制高点。在产业界，人工智能技术的研究和应用，也在如火如荼地探索和实践中。在制造业行业，不少学者围绕智能制造开展相关研究。生产制造是制造业全生命周期中最重要的环节之一，该环节的工业场景最丰富，智能化改造需求最多。而对于制造业企业特别是属于多品种量多生产方式的制造企业，现有文献提及较少。由于制造业相当复杂，多品种量多生产方式的电子制造企业尤为如此。目前它们绝大多数是通过传统的人工和部分软件系统的指导实现各产品品种间的生产换线，换线效率低且容易出错，在传统的信息化能力不足情况下，智能化改造尤为重要且难度较大。因此，为了实现减少人工、快速换线和柔性生产的目的，以满足市场对个性化产品的需求，采用人工智能技术来提升企业的信息化能力，从而提高企业的整体智能制造水平，就显得特别有必要。基于此，本篇文章对基于深度学习的机器视觉在制造业质量检测中的应用进行研究，以供参考。

关键词：基于深度学习;机器视觉;制造业质量检测;应用分析

引言

随着“德国工业4.0”、“中国制造2025”等战略的出台，传统制造业正逐步进入智能制造时代，其中“中国制造2025”明确指出我国制造业要向智能化、自动化方向发展。近年来，机器视觉技术快速发展，已广泛应用于各个领域，将机器视觉引入制造业质量检测系统可以充当人的眼睛，提高人感知外界环境变化的能力。人有了感知能力后，需根据焊接对象的变化自主实现路径规划，以满足多样化小批量生产的要求。

1机器视觉技术

机器视觉技术使用机器代替人眼进行测量和判断，它利用成像设备及处理单元来模拟人眼和大脑，从外界客观事物中获取信息，并对其进行处置和解析以进行实际检测。具体包括以下过程：（1）图像采集。利用照明光源对目标物体或环境实行光照处理，再利用光学平面成像系统摄取图像，然后通过工业相机、图像采集卡将光学图像转换为数字图像，这些被获取的信息就是机器视觉系统的前端资源出处。（2）图像处理和分析。计算机对于目标图像的处理需要通过机器视觉软件来实现，解析并获取所需的实用信息。如汽车灯泡是否有外壳破碎、脏污污染、端部开裂这样的外部瑕疵，这是整个机器视觉系统的核心部分。（3）判断和控制。经过图像处理所能得到的信息用作对于目标事物的决策，接着产生相应的操纵指令，再将指令发送给相应的仪器。如采集的灯泡图像中，长度、外径、厚薄等尺寸是否符合标准，若不符合就提出警告，进行标识处理或进行剔除操作。

2机器视觉技术发展现状

机器视觉在中国的发展较晚，在20世纪90年代才有少数的机器视觉技术公司成立，但是在较长的时间内，机器视觉技术在很多行业尚未普及，开发出的机器视觉系统例如表面缺陷检测、车牌识别等也存在着功能单一、准确性不足等问题。目前，机器视觉技术在欧美、日本等发达国家的发展较为成熟，应用也较为广泛，主要应用于半导体行业和电子行业，比如PCB印刷电路、电子封装技术与应用等领域。而我国此类行业还属于新型产业，机器视觉技術的应用较外国相比具有一定差距。但近年来，随着相关政策的支持与理论实践积累，我国已经取得了一定的成果并进入到机器视觉发展的高速阶段。机器视觉技术已经慢慢融入国内的半导体、电子制造、印刷、新能源、汽车制造等领域，但现阶段应用的场合仍十分有限，需要进行更多的尝试与开发。

3基于深度学习的机器视觉在制造业质量检测中的应用分析

3.1系统模块数据及服务流程

机器视觉质检系统包括产线上的成像、运动、显示等前端模块;部署在工控机上的控制模块;部署在机房GPU服务器集群上的推理及训练服务模块。进行检测任务之前，产线工人首先需要通过配置前端对产线进行配置，确定检测的产品种类和业务信息。开始检测后，系统通过成像模块采集图像信息，在工控机上通过简单的预处理，将图像通过5G网络传输至GPU服务器集群，调用推理服务得到缺陷检测结果，工控机的控制模块对缺陷推理服务返回的结果进行处理后，根据良品、待判、严重不良三种类型通过机械结构对产品进行处理。同时，采集到的图像信息会以一定策略通过分布式的对象存储服务进行留存，供训练服务调用，从而对模型进行持续优化迭代。训练服务同样部署在GPU计算集群上。通过前端可视化工具可以对模型和采集的图像进行管理，对产品模板和判定规则进行配置，同时还可以在浏览器上对新采集的样本像进行标注，用于模型的优化迭代和更新。

3.2部署方案

基于深度学习的机器视觉质检系统主要由成像模块、机械模块、产线交互模块、一台工控机、一台质检GPU服务器和可视化前端构成。工控机负责调度成像模组和机构完成图片的拍摄，并将图片上传至GPU服务器，调用部署在服务器上的算法模型和规则处理程序对缺陷进行识别和判定，最终根据服务返回的识别结果发送给运动机构对应的控制信号。产线交互模块内置不同产品种类对应的运动参数，在换线时用户可通过HMI屏或其他显示设备选择不同的产品进行配置，并将信息同步至工控机和GPU服务器。前端可视化模块采用B/S架构，质检人员在对待判产品进行复判时，可在浏览器界面通过产品ID等信息查询识别结果、缺陷位置图片、产线缺陷统计数据。

结束语

总而言之，未来完整的机器视觉系统在工业中的使用集成化更高，处理速度更快;通用性能更强，能够适应不同的工作环境;拥有更加完善的数据库，能够更加准确地进行识别;与不同传感器的信息能够更好的贴合，稳定性更强;在图像捕获和处理方面基于三维图像上探究。此外，与人工智能的融合可以更好地提高其智能性和学习能力。

参考文献：

[1]肖刚，葛屦.基于深度学习的机器视觉在制造业质量检测中的应用研究[J].数据，2019（12）：56-60.

[2]孙建国.机器视觉识别检测技术在发动机生产制造中的应用研究[C]//2019中国汽车工程学会年会论文集（5）.，2019：357-362.

[3]赵守君，于洋，秦羽舟，杨放青，徐巍巍.基于深度学习的机器视觉技术在造船中的应用[J].船舶工程，2019，43（06）：12-15.