你所在的位置:首页 > 新闻资讯 > 行业新闻

AOI智能新技术

行业新闻2019-4-27 21:00:48次浏览

   传统AOI (自动光学检查) 自动光学检测(AOI, Automatic Optical Inspection)是指通 过光学成像的方法获 得被测对象的图像, 经过特定处理算法处 理及分析,与标准模 板图像进行比较,获 得被测对象缺陷的一 种检测方法。
 现在AOI设备发展不但是3D AOI,而且是人工智能视觉技术革新,是时代性的,革命性的。

 什么是机器视觉中的深度学习技术:

   随着机器视觉技术的不断发展,系统在不需要计算机编程的情况下也可以具有分析和分类对象的能力。而人工智能(AI)和深度学习是推动机器视觉发展的重要技术手段。

  

然而,描述这些概念背后的潜在科学更为简单。例如,在传统的机器视觉系统中,可能需要读取零件上的条形码、判断其尺寸或检查其是否有缺陷。为此,系统集成商通常使用现成的软件,这些软件提供了标准工具。例如,可以部署这些工具来确定数据矩阵代码,或者使用图形用户界面来测量零件尺寸的工具集。

因此,部件的测量可以分为好或坏,这取决于它们是否符合某些预定标准。与这种测量技术不同,所谓的“深度学习”工具更好地归类为图像分类器。与专门读取条形码数据的软件不同,它们被设计用于确定图像中的对象是存在还是好或坏。因此,这些工具是互补的。

神经网络等深度学习工具将拓展其他机器视觉技术。例如,这样的神经网络可以判断数据矩阵代码存在于图像中的概率,但要解码它,将使用传统的条形码算法。

神经网络

基于神经网络的工具通常用于确定零件的存在或图像中的物体是好是坏。这些工具属于一组称为图像分类器的算法,从基于实例的分类器(如k-nearest neighbor (k-NN))到决策树分类器。在Jason Brownlee 2013年11月的《机器学习算法之旅》(A Tour of Machine Learning Algorithms)中可以找到不同类型分类器的图表。

其中许多可以用于机器视觉应用程序。MVTec Software已经在其HALCON软件包中提供了预先训练的神经网络、支持向量机(SVM)、高斯混合模型(GMM)和k-NN分类器。需要注意的是,深度学习网络训练从无到有,每一个错误类别都需要几十万张样本图像才能获得有效的识别结果。然而,HALCON集成了广泛的深度学习网络。因此,训练只需要相对较少的样本图像,节省了大量的时间和金钱。

 

当不同组的特征值显着重叠时,SVM可用于生成多维特征空间以隔离不同的缺陷组。PR Sys Design在其perClass软件中提供许多这样的分类器。它具有一系列分类器,如k-NN、神经网络、随机森林和SVM。图像分析软件是一个基于MATLAB的工具箱,允许开发人员以交互方式处理数据,选择数据中的最佳特征进行图像分类、训练多种类型的分类器并优化其性能。

模仿大脑

就像许多不同的分类器可以用来识别图像中的对象一样,也有许多类型的神经网络可以用来执行图像分类功能。这种神经网络试图模仿人类视觉系统和大脑中使用的生物神经网络。其中最简单的是Frank Rosenblatt于1957年发明的感知器(图1)。

图1:由Frank Rosenblatt于1957年发明的感知器,它通过一组二进制输入对大脑中的神经元进行建模,每个输入乘以一个连续的值权重,并对这些加权输入的和进行阈值化,模拟生物神经元。

Perceptron通过采用一组二进制输入(附近的神经元)对每个输入进行建模,将每个输入乘以连续值权重(每个附近神经元的突触强度),然后阈值化这些加权输入的总和,如果总和足够大,则输出“1”,否则输出“0”,类似于生物神经元发射或不发射(参见”神经网络与深度学习的历史“,作者:Andrey Kurenkov)。

如今,更复杂的网络使用两层或更多这样的“神经元”来执行图像分类任务。这些“隐藏层”可以在呈现给神经网络的图像数据中找到特征。从简单的感知器到深度前馈(DFF)和卷积神经网络(CNN),许多神经网络架构都可以用于笔迹分析和语音识别等应用(参见Andrew Tch的《神经网络的基本完整图表》)。

CNN可能是机器视觉系统中应用最广泛的神经网络。这有几个原因。首先,CNN的架构旨在更紧密地模仿人类视觉皮层和模式识别机制,CNN被分成几个执行不同功能的神经元阶段(图2)。

图2:在CNN中,卷积层用于执行特征提取,就像使用卷积运算符来查找边缘等特征一样。在传统的图像处理中,诸如高斯模糊和中值滤波的图像滤波器执行该任务。另一方面,CNN架构模拟人类视觉系统(HVS),其中视网膜输出执行诸如边缘检测的特征提取。

在该简化图中,为了说明的目的,分别示出了卷积层和池化层。在实践中,它们构成了完整的CNN的一部分。在CNN中,卷积层用于执行特征提取,就像使用卷积运算符来查找边缘等特征一样。

在传统的图像处理中,可以将诸如高斯模糊和中值滤波的图像滤波器分解成现场可编程门阵列(FPGA)来执行该任务。

另一方面,CNN架构模拟人类视觉系统(HVS),其中视网膜输出执行诸如边缘检测的特征提取。在CNN中,该卷积用于执行特征提取,因此表示输入图像的特征。这些卷积层排列成特征图,每个神经元都有一个接收域,通过一组可训练的权重连接到前一层的神经元,这些权重用于确定可能应用的滤波器类型。

在提取这些特征之后,使用所谓的“合并层”来减小图像数据表示的空间大小,以提高计算速度。然后将该图像数据馈送到最终网络层以进行进一步的数据处理。

无需编程

神经网络不像其他方法那样需要传统的或FPGA编程技术。相反,CNNs可以被训练以三种不同的方式识别物体。在第一个监督学习中,图像被手工标记,并使用这些数据生成一个输出模型来分类未知的图像。监督学习需要对图像数据进行标记,而非监督学习方法可以在图像数据中发现模式,并从多个未知图像中构建模型。然后,通过对这些结果的解释,可以开发出更精确的监督分类器。

这种无监督学习系统通常是不准确的,可以受益于半监督学习技术,其结合标记数据以减少需要训练的图像的数量。

 

机器视觉目标

有了所有这些开发工具,毫无疑问,众多机器视觉公司正在推出经常使用这些工具包开发专门针对机器视觉应用的软件的产品(表1)。虽然不愿意讨论可以使用哪些工具或者是否也在其产品中使用其他分类工具,但这些公司为开发人员提供了一种评估机器视觉中神经网络潜力的方法。

智能相机系统

尽管许多系统都在基于pc的系统上部署了这样的软件,但是相机供应商已经意识到提供智能相机来完成这项任务的机会。比如:IDS成像开发系统和FLIR Systems。

利用一种专门开发的人工智能视觉应用,IDS的NXT摄像机可以加载预先训练好的人工神经网络,而基于fpga的人工智能加速则增加了推理时间。在VISION 2018上,该相机被展示为一个基于人工智能的目标识别系统。此外,FLIR公司的FireFly集成了英特尔公司的Movidius Myriad 2视觉处理单元(VPU),训练好的神经网络可以直接加载到该单元上。

智能相机将运行传统的机器视觉算法和基于神经网络的分类器,从而使开发人员在使用算法时具有灵活性。


2008-2015 © http://www.eyeaoi.com 东莞市宝蓝自动化科技有限公司 版权所有 全国统一服务热线:0769-21987918 总部电话:0769-21987918 邮箱:eyeaoi@163.com