深度学习在自动化占据主导地位

机器视觉专家和客户以多种方式对深度学习进行了分类:作为行业颠覆者，作为进化链中的一步，甚至作为行业的下一个前沿。无论你认为这个话题的重要性有多大，深度学习都会引起与会者的极大兴趣自动化4月8日至11日在芝加哥举行。

今年宣布的主要主题是什么?软件开发人员正在让更多用户更容易使用这项技术。

高等教育
对于康耐视来说，冠致提供了一个培训客户VisionPro ViDi的机会，这是一款基于深度学习的图像分析软件包，专门为工厂自动化设计。由于能够容忍偏差和不可预测的缺陷，该软件旨在解决传统机器视觉系统过于困难或昂贵的难以解决的应用程序。这些包括表面检查，缺陷分类和阅读，甚至严重扭曲的印刷。

展会上的培训重点是如何帮助客户将深度学习集成到生产中，包括一份关于如何在工厂环境中部署该技术的新最佳实践指南。“验证和一体化进程是不同于传统视觉,所以很多我们的教育围绕问题,比如开始深入学习项目所需资源,如何选择一个好的项目,你有资格生产,”约翰·佩特里说视觉软件公司的营销总监Cognex．

今年5月，康耐视将发布新功能，进一步简化深度学习集成。这将允许客户更容易地针对不同的数据集优化他们的解决方案，以使其符合生产要求。

另一个功能将简化包装和组装检查。Petry说:“许多深度学习应用专注于缺陷检查，但在很多情况下，用户希望快速确认组件中的所有元素都存在，并且是正确的。”例如，确保一辆新皮卡配备正确的车轮、灯光和后视镜;确认零食包装上的食物种类和数量正确;或验证PCB上是否有正确的组件。

尽管传统的视觉方法可以解决这些应用程序，但它通常需要视觉开发人员来确定应用程序的正确工具。这些可能会因照明、部件显示或不一致的产品外观而有所不同。康耐视新的深度学习界面足够灵活，可以在不需要视觉专家的情况下处理各种工厂条件。

Petry说:“这使得向组件库添加新部件或使用这些组件快速创建不同的布局变得更加容易。”

更少的努力，更精确
最新版本的HALCON 18.11，由MVTec Software GmbH提供，突出的功能增强了深度学习。HALCON的产品经理约翰内斯·希尔特纳(Johannes Hiltner)表示:“通过使用深度学习方法，算法自动找到并提取相关模式，以区分不同类别。MVTec软件GmbH是一家．“这与‘传统’机器视觉方法形成了鲜明对比，在传统机器视觉方法中，用户必须手动为每个功能编写繁琐的程序。”

HALCON允许用户训练自己的卷积神经网络(cnn)用于机器视觉应用，如分类、语义分割和目标检测。该软件分析图像并自动学习哪些特征可以用来识别给定的类。可改进到深度学习技术的典型应用包括电路板或药丸上的缺陷检测;目标分类，如从单一图像中识别植物种类;或对象计数。

这个HALCON版本专门处理图像中训练的对象、特征或错误类的定位，现在可以用像素精度分割-即语义分割。与这种像素精确的分割相比，HALCON的目标检测工具有一点不同。在这里，图像中的每个对象都由一个被称为边界框的包围矩形标记。HALCON的这个功能对于计算相互接触或部分重叠的对象特别有用。

深度学习可以让一系列复杂的机器视觉任务得到重新评估，并比传统方法更轻松地执行。这个推论，是一个训练有素的网络在新的输入图像上的应用，在gpu和cpu上运行。后者对于需要避免额外昂贵硬件的成本敏感应用程序特别有用。预先训练过的网络也使建立一个只有几百张而不是几千张图片的新的深度学习网络变得更容易。

与此同时，MVTec的MERLIC 4软件更新继续使用深度学习来改进其光学字符识别(OCR)分类器，为可靠的识别提供数字和字符组合的增强检测率，以及更可靠的点打印字体阅读。

通过深度学习，公司可以减少所需的编程量，节省时间和金钱。另一个好处是，用户不需要任何深入的人工智能(AI)知识。希尔特纳表示:“因此，企业也可以利用员工对网络进行培训，而无需增加员工数量。”

自给自足的愿景
在自动化公司，Cyth Systems告诉客户，检查和分类产品不需要机器视觉经验。“深度学习正在开发新的检测能力，以及自动检测的新方法，使公司能够管理和监督自己，而无需依赖高技术的视觉专家，”该公司的销售工程师Scott Frame说Cyth系统．

为了实现这一目标，Cyth开发了NeuralVision，这是一个基于深度学习的云平台，用于图像处理、标记、统计分析、模拟和解决方案生成。在LabVIEW系统工程软件的帮助下，该公司对平台进行了编程，用户只需点击一个感兴趣的项目，就可以确定哪些项目会通过或不通过。客户决定学习模型中包含哪些产品图像，但他们不需要知道任何编程。

Frame说:“NeuralVision为生产线操作员提供了工具，可以轻松地标记图像，并培训生产中的解决方案。作业人员可以很容易地审查和测试标签以及生产结果，数据审查可以为预防或纠正措施的生产方法进行评估。”

Frame强调，深度学习并不是传统机器视觉的替代品，而是对现有检查的一种补充能力。尽管如此，这项技术仍然很重要，因为“它使以前无法与人类识别物品、缺陷、变异等能力相竞争的过程得以实现，”Frame说。“这是第一次，深度学习让自动化流程能够由这些人训练，在他们的水平上可靠、持续地运行。”

让深度学习变得更容易
作为其matrix Design Assistant X(使用基于流程图的集成开发环境(IDE))的更新的一部分，matrix Imaging提供了一个现场演示，展示了深度学习技术在机器视觉应用中的使用。

产品经理Fabio Perelli表示:“X版本的升级利用了深度学习技术，通过分类来进行检查，否则使用传统成像技术很难做到这一点，如果不是不可能的话。”Matrox成像．

该软件使用cnn，这是一种深度学习算法，将图像或图像区域分类到预先建立的类。CNN通过一组图像进行训练，这些图像代表了应用程序，并被分类到所需的类中。matrix Design Assistant X的深度学习分类非常适合分析高纹理、自然变化、可接受变形的商品的图像，比如农产品。

民主化深度学习
Teledyne DALSA发布了新版本的Sherlock，它的机器视觉软件界面设计用于自动检测应用。Sherlock 8利用了一个通用的深度学习插件，允许客户通过使用自己的数据集进行培训来创建特定的应用程序。

Teledyne DALSA演示了使用两个摄像头的深度学习平台的测试版。一个相机将物体呈现给另一个相机，后者在更广阔的视野中定位多个物体。“例如，如果你把一个洗衣机放在第一个摄像头下，第二个摄像头将在第二个摄像头的视野范围内识别、定位和分类所有洗衣机，不管背景类型、方向或大小，”布鲁诺·梅纳德说Teledyne DALSA．

Sherlock 8深度学习平台非常适合用于发现平板显示器缺陷、检测表面不规则图案和面部识别等任务，因为它能够区分形状、亮度或颜色等特征。Teledyne DALSA的人工智能技术经理Stephane Dalton说:“使用经典的机器视觉算法，执行这些任务将是极其困难的，如果不是不可能的话。

最初设计用于Windows和PC，深度学习插件允许用户轻松收集和标签数据。梅纳德说:“标签可能是一项乏味的任务，因为你需要一定数量的图像来训练一个模型。”通过使用Sherlock 8的深度学习插件，客户可以在对象周围使用一个边界框。它已经为你绘制好了，你可以调整盒子的形状，重新标记它，如果它不是你想要识别的对象，你也可以删除它。”

Teledyne深度学习平台的主要驱动力是灵活性和易用性。道尔顿说:“我们让用户能够改变机器学习超参数，这样他们就可以影响最终结果，并决定最适合他们应用的网络，只需简单地按下‘火车’按钮。”

深度学习:炒作还是现实?
尽管自动化的与会者对深度学习表现出了浓厚的兴趣，但许多人在更好地理解它之前，还是不愿部署它。因此，向客户展示深度学习是机器视觉的补充，而不是替代品的任务落到了软件公司的肩上。这正是自动化所做的。

为了说服客户采用这项技术，“我们需要确定深度学习的正确应用，并构建正确的产品来解决它们，”康耐视的Petry说。“用户需要弄清楚如何将深度学习融入生产，它应该如何与人工检查互动，以及他们需要在人员、时间和设备方面的预算。”