機器視覺是賦予工業(yè)機器人智慧化，并助力整個工業(yè)從3.0時代步入4.0時代的關鍵一環(huán)，為智能制造的落地打開了“新窗口”。
早在十幾二十年前，隨便走進一家電子廠，人們會看到一排排工人正在進行裝配、貼標或質(zhì)檢等重復性的勞動作業(yè)。這是工業(yè)1.0、2.0時代司空見慣的場景。
滄海桑田，如今，在許多現(xiàn)代化工廠，工人變成了流水線旁負責巡檢的“配角”，工業(yè)機器人替代了繁重的人工作業(yè)，電子信息技術的廣泛應用讓生產(chǎn)的自動化水平大幅提高，工業(yè)界也由此步入了3.0時代。
然而，傳統(tǒng)的工業(yè)機器人大多是通過示教再現(xiàn)或者預編程來實現(xiàn)各種簡單的操作，這極大地限制了機器人的應用。如果能讓機器像人一樣具有自我意識，可以根據(jù)產(chǎn)品的位置、亮度、顏色、表面特征等信息進行對應的操作，顯然能進一步解放生產(chǎn)力，完成柔性化的制造，而實現(xiàn)這一切的前提就是為機器人裝上“眼睛”，也就是“機器視覺”。
某種意義上可以說，機器視覺是賦予工業(yè)機器人智慧化，并助力整個工業(yè)從3.0時代步入4.0時代的關鍵一環(huán)，為智能制造的落地打開了“新窗口”。
“神通廣大”的機器視覺
顧名思義，機器視覺就是用機器代替人眼來做測量和判斷，通過視覺系統(tǒng)對產(chǎn)品圖像攝取，同時將被攝取的目標轉(zhuǎn)換為圖像信號傳送給專用的圖像處理系統(tǒng)，得到被攝目標的形態(tài)信息，再將像素分布和亮度、顏色等信息轉(zhuǎn)變成數(shù)字化信號，圖像系統(tǒng)對這些信號進行各種運算來抽取目標的特征，進而根據(jù)判別結(jié)果來控制現(xiàn)場的設備動作。
和人眼相比，機器視覺具有效率快、精準性高且永不知疲倦等顯著優(yōu)勢，因而被廣泛應用于工業(yè)制造的各個環(huán)節(jié)，比如上下料過程中使用機器視覺進行定位，引導機械手臂準確抓取；比如在自動化包裝領域進行物品數(shù)量的識別和數(shù)據(jù)的追溯；再比如對一些精密度較高的產(chǎn)品進行分類和瑕疵檢測，這也是機器視覺目前應用最廣泛、取代人工最多的環(huán)節(jié)。
我們不妨以汽車輪轂分類/分割場景為例：作為輪胎的骨架,輪轂扮演著汽車配件中的重要角色，根據(jù)直徑、寬度、成型方式、材料不同種類繁多。
從制造的維度來看，汽車輪轂大多是鑄件，鑄造完成后要進行精加工，輪轂有上百種類型，不同的類型應選擇不同加工路線、加工機床、刀具等。在自動化生產(chǎn)線上要實現(xiàn)多品種的混流生產(chǎn)，首先要完成的就是輪轂類型的識別。除此之外，輪轂的質(zhì)量好壞還直接決定了車輛行駛過程中的安全性能，然而其制造成型過程中受工藝參數(shù)、冷卻系統(tǒng)等因素的影響，卻極易產(chǎn)生氣孔、縮孔、縮松等內(nèi)部缺陷。為了保證產(chǎn)品質(zhì)量，缺陷檢測/分割環(huán)節(jié)也必不可少。
無論是輪轂分類還是分割，這些任務早期都是由人工方式來完成，流水線周而復始，工人沒有片刻休息時間。在工作強度大、時間長、長期緊張的工作狀態(tài)下，工人容易感到疲倦，在作業(yè)中也不可避免地受到情緒波動、注意力不集中、疏忽大意等因素的影響，導致分類/分割工作的速度、穩(wěn)定性和準確性都無法保障。
不斷迭代的機器視覺方案
對癥下藥，基于上述痛點，越來越多機構(gòu)開始探索自動化甚至智能化的輪轂分類/分割方案。
自動輪轂檢測場景
先來看輪轂分割場景。X射線無損探傷是目前檢測輪轂內(nèi)部缺陷的最佳方式，具體而言，初始成型的毛坯輪轂被機電系統(tǒng)送入鉛房后，分區(qū)域多次成像，能實現(xiàn)整只輪轂的全部檢測。
為了替代傳統(tǒng)的手動檢測，有的企業(yè)采取半自動檢測的方式，即提前在下位機設置好輪轂的運行流程，每個部位的成像過程無需人工干預，檢測人員僅需觀察該部位的X射線圖像來決定產(chǎn)品質(zhì)量；還有企業(yè)更進一步，在上位機設置好輪轂缺陷檢測的相關參數(shù)，整個過程無需人工干預，全部自動完成，而在全自動的檢測過程中，輪轂缺陷的自動分割算法起著至關重要的作用。
再來看輪轂分類場景，當前，已經(jīng)有不少高校提出了基于機器視覺的分類算法。
東北大學提出了一種基于機器視覺的汽車輪轂識別系統(tǒng)，其根據(jù)實驗選擇了五個特征：輪轂中心是否有孔洞，輪轂邊緣區(qū)域的孔數(shù)，輪轂半徑，輪轂面積，以及旋轉(zhuǎn)不變性，利用投票分類器對提取的特征進行分類。與傳統(tǒng)方法相比能達到較好的效果，缺點是先驗信息太多，需要人工選擇較明顯的特征費時費力，且由于提取到的特征較少，對于結(jié)構(gòu)復雜的輪轂辨識度差，結(jié)構(gòu)相近的輪轂也難以區(qū)分。
中北大學提出了一種基于 OpenCV 和 MFC 平臺的輪轂分類技術，與傳統(tǒng)的識別方法相比節(jié)省了時間，但由于形態(tài)學處理的破壞，泛化程度較低；南京信息工程大學提出了一種基于統(tǒng)計模型的輪轂分類方法，使用背景去除、形態(tài)學處理、局部二值化和邊緣提取算子等多種方法進行特征提取，能進一步提高分類精度，但能夠成功識別分類的輪轂類型較少且檢測方法非常耗時……
通過上述分析我們可以得知，機器視覺解決方案的部署本身是一項非常復雜的工作，涉及許多專業(yè)技術，需要很多專業(yè)人才，期間會耗費大量成本且涉及大量試錯，制造商想要依靠自身開發(fā)這樣的一套解決方案，可謂難如登天。
讓機器視覺不再遙不可及
如何讓制造商快速掌握機器學習這項“秘密武器”？英特爾與無錫信捷電氣股份有限公司（下稱“信捷”）聯(lián)合推出了一套基于深度學習的輪轂分類/分割解決方案，為輪轂檢測行業(yè)提供了新的思路。
基于信捷自主研發(fā)的新一代機器視覺應用開發(fā)平臺X-SIGHT VISION STUDIO Pro，制造商無需編寫代碼，只用在軟件中拖拽組件，就能完成開發(fā)——這相當于把復雜的專業(yè)攝像機直接變成了“傻瓜相機”，大大降低了用戶入門的門檻。
X-SIGHT系列產(chǎn)品
除了具備圖形化界面、提供快速的應用開發(fā)環(huán)境，幫助用戶快速上手并輕松創(chuàng)建典型應用之外，該平臺還提供了強大的圖像分析能力，甚至具備自我學習優(yōu)化能力，是一個不斷進化迭代的平臺。得益于此，用戶能以更高的效率開發(fā)定制化的大規(guī)模項目，從而縮短研發(fā)周期和成本。
X-SIGHT圖形用戶界面
你可能會疑惑，為什么信捷的平臺能夠?qū)C器學習“化繁為簡”？原來其平臺背后，集成了英特爾? OpenVINO?、oneAPI加速方案。這些軟件就如同“催化劑”一般，為信捷的方案部署和模型加速提供了更高效的工具。
其中，OpenVINO? 視覺工具套件是一款面向高性能計算機視覺和深度學習應用的快速開發(fā)套件，基于最新一代人工神經(jīng)網(wǎng)絡，包括卷積神經(jīng)網(wǎng)絡 (CNN)、循環(huán)網(wǎng)絡和基于注意力的網(wǎng)絡，可跨英特爾硬件擴展至計算機視覺和非視覺的工作，從而最大限度地提高性能，在邊緣到云端都能展現(xiàn)高性能 AI 和深度學習推理部屬的加速。這增強了信捷產(chǎn)品的深度學習神經(jīng)網(wǎng)絡推理能力，助力其為客戶提供更優(yōu)的解決方案。oneAPI 則是一種跨行業(yè)、開放、基于標準的統(tǒng)一編程庫，可提供跨加速架構(gòu)的通用開發(fā)體驗，幫助信捷提高應用性能、工作效率和創(chuàng)新能力。
機器視覺場景復雜，英特爾為此開發(fā)了諸多工具套件，以滿足用戶在各類工業(yè)場景下的需求，促進更多的機器視覺應用案例落地，為工業(yè)機器視覺的發(fā)展提供技術支持。
基于信捷和英特爾的這套聯(lián)合解決方案，制造商能夠通過攝像頭采集輪轂圖像，傳輸至網(wǎng)絡進行識別分類，實現(xiàn)快速、準確、穩(wěn)定的響應，從而大大降低人力成本，提高生產(chǎn)效率。
結(jié)語
以智能制造為主導的工業(yè)革命4.0正影響著各行各業(yè)，而工業(yè)機器視覺將是驅(qū)動未來工業(yè)數(shù)字化、智能化的重要動能，不僅是汽車制造產(chǎn)業(yè)鏈在積極引入機器視覺解決方案，更廣泛的工業(yè)領域也期望借助該技術實現(xiàn)數(shù)字化升級、柔性制造的變革。
