原创 | 文 BFT机器人

在机器视觉和工业自动化领域，很少有比“深度学习”更引人注目的词汇。大约七年前左右，这个词随着一波庞大的营销炒作而出现，附带着“革命性”和“颠覆性”等形容词。几年后，尘埃落定，深度学习在自动化和制造领域的角色变得更加清晰。

当然，深度学习并非魔法，它不能解决所有自动化检测需求，也不是适用于所有类型应用的合适技术，它甚至不是一种独立的技术。相反，它是传统机器视觉和自动化检测技术的补充，现在深度学习已经在这个领域找到了一个更安静但仍然非常具有价值的位置。

· 深度学习的工作原理

在考虑将深度学习应用于某个应用程序之前，了解它的工作原理非常重要。离散的基于规则的机器视觉算法是使用具体的数字输入进行编程的，这些数字会被输入进传统的算法和卷积中。而深度学习软件则通过分析已由人类专家标记和分类的数据（图像）来“学习”。

标记和分类缺陷是这个过程中至关重要的一部分，因为这有助于产生“好的数据”，从而使软件能够基于小的图像变化和其他线索创建数学模型，而人类可能会利用这些线索来判断零件是好的还是坏的。

虽然深度学习不太适用于涉及精密测量、位置或任何涉及参数化的应用，但它已被证明是进行主观检查决策的有用工具，特别是对于零件高度可变的情况，在检查高度复杂的场景时尤其有效。

· 深度学习的实际应用

但在实际部署中，这意味着什么呢？让我们以一个简单的例子来说明：

当我们试图识别纺织品或皮革等织物中的瑕疵或缺陷时，尝试使用传统的机器视觉算法来识别这些缺陷是非常困难的，但通过深度学习，这变得相当简单。深度学习算法可以学习各种皮革的变化以及广泛样本集中纹理背景的外观，并根据该训练做出有效决策。

另一个常见的例子是焊缝检查，即在金属上完成焊缝的应用，所有这些焊缝都会有不同的形状和大小，但仍然可能是完全合格的零件。传统的机器视觉在检查装配线上的不同数量的焊缝时会遇到巨大困难，但深度学习可以非常有效，因为它能够比较有缺陷的焊缝与合格的焊缝的图像。

当然，在许多其他的行业和应用中，深度学习也非常有用，包括半导体和电子检查、制药和医疗制造、汽车制造（包括电动汽车）、食品和饮料等。

· 深度学习的持续改进

在对深度学习有了适当的了解，并在考虑了所有因素并按照所有步骤将深度学习技术实施到新的或现有的自动化检测系统中后，工业自动化正在经历颠覆性的变革。

今后不再需要为了制定一套具体的规则而去研究哪些细节与决策相关，而是可以充分利用现有实例，因为算法可以通过深度学习进行自主决策。

如今深度学习常见的任务包括特征分类、缺陷检测、装配验证以及检查由于变异性或复杂性而难以识别某些特征的场景，比如辅助视觉引导的料箱拾取应用等。

在如今的制造业领域中，越来越多的制造商正在收获其利益，尽管深度学习不适用于每个应用程序，但它也发挥了重要的作用。但必须强调的是，深度学习不能替代人的专业能力，人类的智慧对于充分挖掘技术潜力来说仍是必不可少的。而深度学习更像是对人类能力的辅助和扩展。

若您对该文章内容有任何疑问，请与我们联系，我们将及时回应。