|
深度學習（Deep Learning）的出現打破了傳統機器學習發展的瓶頸，成為了機器學習算法研究中較先進的技術之一。同時，它大大地促進了機器學習的發展，受到世界各國相關領域研究人員和高科技公司的重視。
SICK作為工業用智能傳感器和傳感技術解決方案的主要制造商之一，已將深度學習作為其數字化轉型的一個重要部分。SICK自主研發的軟件開發與應用生態系統AppSpace，可將PC端上開發好的應用程序直接下載到智能傳感器中，并且能在傳感器中快速執行，其中就包括深度學習的應用程序�；赟ICK AppSpace的深度學習功能主要包括：分類、異常檢測、目標跟蹤及語義分割，這些功能可為絕大部分工業視覺復雜類檢測應用提供解決方案。
深度學習之分類功能
圖像分類是機器視覺中一個基礎的任務，同時也是一項頗具挑戰的任務。其難度主要在于：
1 復雜背景的干擾
圖1. 車與飛機在復雜背景中的分類
2 同一類別具有各種無法預測的差異，特征提取難度大
圖2. 質檢為合格的同一類螺紋
3 用于區分不同類別的特征具有一定的模糊性，容易導致誤判
圖3. 質檢為不合格（左圖）與合格（右圖）的螺紋
深度學習技術在特征表示上具有較大的優越性，能很好的解決上述3大問題，并在許多實際應用場景中得到了落地。
SICK基于自主研發的AppSpace平臺，將深度學習技術部署于云端（點擊進入云端）以及智能相機InspectorP6xx（如圖4所示）系列中，為用戶提供簡潔、高效、高性能的解決方案，整個方案僅包括3塊簡單的流程，如圖5所示：
圖4. 智能相機InspectorP6xx系列
圖 5. 深度學習解決方案流程
案例詳解
需求：檢測螺紋質量，合格的輸出OK，不合格的輸出NG
解決方案具體流程如圖6所示：
圖 6. 解決方案詳細流程
成功案例：
圖 7. 塑料瓶質量檢測
圖 8. 焊接質量檢測及分類
圖 9. 螺絲有無檢測
深度學習之異常檢測功能
基于深度學習的異常檢測方法可以降低傳統人工質檢的成本，并且大大提高了檢測的效率與準確性，已經被廣泛應用于各種工業場景中。
但是一些深度學習的方法依然存在著以下缺點：
1. 需要大量的訓練樣本；
2. 收集大量有缺陷的樣本更為困難，因為實際生產中有缺陷的樣本數量很少；
3. 需要人工進行繁瑣的缺陷標注。
SICK基于自主研發的AppSpace平臺，將具有異常檢測功能的深度學習技術完全部署在智能相機InspectorP6xx（如圖4所示）系列中。即，InspectorP6xx系列是集成了數據采樣、訓練、檢測于一體的智能相機。
該技術具備以下優點：
1. 無需使用額外的工控機（PC）進行訓練，在智能相機內部即可實現快速訓練；
2. 只需收集少量正樣本，即，被認為是合格的樣本圖像，最少僅需要2張樣本，而最多不能超過100張；
3. 無需收集有缺陷的樣本；
4. 無需對圖像進行標注。
案例詳解
需求：檢測芯片電路板中是否存在異物，若有，則標出異物的位置。
解決方案具體流程如圖10所示：
圖 10. 解決方案詳細流程
成功案例
材料表面無劃痕（左）有劃痕（右）
圖 11. 劃痕檢測
圖 12. 電路板異常檢測
圖 13. 裝配檢測
結束語
SICK工業智能傳感器在多個行業的不同場景中被廣泛使用著，而集成了SICK AppSpace深度學習功能的智能相機，可以為大部分工業視覺復雜類檢測應用提供簡潔、快速、高效以及穩定的解決方案。
點擊查看電子資料：
|
