毋庸置疑，人工智能最終將徹底改變人類的生產生活方式。比如在生產和制造領域，工業4.0革命更是會大展拳腳。

What is Visual Inspection ?

出于質量控制目的需要對生產線上的產品進行分析。自動視覺檢查還可以用于生產中各種設備（例如存儲罐，壓力容器，管道和其他設備）的內部和外部評估。

PCB的零件分類

實踐證明，機器視覺檢查可以在生產過程中發現大多數隱藏的缺陷。

When and where is Visual Inspection needed ?

在許多需要視覺檢測的行業中，有些非常高價值并且重要的行業，因為任何可能產生的錯誤（例如傷害，死亡，損失）的潛在成本很高 。比如核武器，核電，機場行李檢查，飛機維修，食品工業，醫藥和制藥。

使用機器視覺inspection的行業細分統計圖

為什么不繼續堅持走人工檢測的老路呢？

首先，人工檢查需要一個人在場，一名檢查員需要對所涉及的目標進行評估，并根據一些培訓對它進行判斷。根據研究，目視檢查錯誤的范圍通常為20％至30％（Drury＆Fox 1975）。一些缺陷可以歸因于人為錯誤，而其他缺陷則歸因于空間的限制。某些錯誤可以通過培訓和實踐來減少，但不能完全消除。

此外，人工檢查還受到人類的先天缺陷限制，存在這樣一個事實，即人眼雖然比任何機械攝像機都具有更高的技術水平，但也很容易被愚弄。比如：

一種視覺錯覺，黑點似乎在白線的交點處出現并消失。

平行線看起來似乎傾斜了

當然最重要的因素還要數勞動力成本了：由于需要訓練有素的人員，人工檢查仍然是一項昂貴的工作。從成本角度來看，歐美國家的人工檢查操作員的年薪可能在50,000至60,000美元之間。

新的選項：基于機器視覺的視覺檢測技術

通過應用機器視覺以及深度學習技術來進行視覺檢測，目前變得越來越方便也易于實現。深度卷積神經網絡通過大量數據的訓練，可以很精確的完成圖像識別任務。image recognition技術已經非常成熟，也大量應用在了生活生產中了。

在特定場景的定量和定性測量檢測中，機器視覺的檢測速度，準確性和可重復性優于人類的視覺。機器視覺系統可以輕松評估太小而無法被人眼看到的物體細節，并以更高的可靠性和更少的誤差對其進行檢查。在生產線上，機器視覺系統可以每分鐘可靠且不辭辛苦地檢查數百或數千個零件，遠遠超出了人類的檢查能力。

傳統的自動化系統在最小化成本和提高效率的同時，還沒有人類所具有的靈活性。手工檢查員能夠區分細微的，外觀上的和功能上的缺陷，并且可以解釋可能影響感知質量的零件外觀變化。盡管人們處理信息的速度受到限制，但是人類具有獨特的概念化和概括能力。人類擅長通過示例學習，并且可以區分各部分之間的輕微異常。這就引出了一個問題，即在許多情況下，機器視覺如何為復雜，無設定的場景（尤其是那些具有細微缺陷和不可預測的缺陷的場景）的定性解釋做出最佳選擇。

盡管機器視覺系統可以區分因縮放，旋轉和姿勢變形而導致的零件外觀變化，但是復雜的表面紋理和圖像質量問題仍然帶來了嚴峻的檢查挑戰。單憑機器視覺系統無法評估在視覺上非常相似的圖像之間存在巨大差異和偏差的可能性。

基于深度學習的系統非常適合復雜的視覺檢查, 深度學習擅長解決復雜的表面和外觀缺陷，例如旋轉，刷過或發亮的零件上的劃痕和凹痕。無論是用來定位，識別，檢查或分類感興趣的特征，基于深度學習的圖像分析在概念化和泛化零件外觀的能力上都與傳統的機器視覺有所不同。

更好的感知
機器視覺具有非常高的光學分辨率，這取決于用于圖像采集的技術和設備。
與人的視覺相比，機器視覺具有“更廣泛”的視覺感知范圍，并且能夠在光譜的紫外線，X射線和紅外區域進行觀察。

其他的優勢：更快 可靠 準確 不依賴于環境......

在需求方面，Automated Visual Inspection (AVI)并不需要太多的物理設備。所需的設備可以分為硬件和軟件資源。

硬件

硬件資源由主要設備（例如照相機，光度計，色度計），取決于工業和自動化過程。

我們本質上是在拍照并分析圖像，只需一臺照相機！

AVI的主要價值是軟件層，其核心是計算機視覺技術。

自動化視覺檢查系統的軟件部分需要先進的圖像分析算法和繁重的編程。

開發流程思維導圖

為了維持高速度的圖像處理，通常必須在高配資源計算機上部署訓練有素的深度學習模型。例如，必須使用GPU才能實時獲得結果。

毫無疑問，機器視覺和深度學習將成為工業4.0這場工業革命不可或缺的一部分，它將把全球制造商推向更高的效率和生產力水平。

聲明：文章來源  作者丨強大的宇宙@知乎  ；網址| https://zhuanlan.zhihu.com/p/263080282

其中部分內容來源于網絡，僅供讀者學術交流之目的。文章版權歸原作者所有。如有侵權，請聯系刪除。