边缘深度学习简化消费品包装检测.docxVIP

机器视觉可以帮助包装行业改进过程控制，提高产品质量，并遵守包装行业规范。基于定义明确、可量化参数的严格控制过程，机器视觉通过消除人为错误和主观错误，帮助各种包装检测任务实现自动化。包装行业的机器视觉任务包括标签检测、光学字符读取和验证（OCR/OCV）、有无检测、计数、安全密封检测、测量、条形码读取、识别和机器人引导等。

机器视觉系统在处理定义明确的包装缺陷时，能够提供一致的检测性能。参数化、可分析、基于规则的算法，可以对捕获的包装或产品特征进行分析，并根据这些特征将包装或者产品通过算法定义为合格或不合格。然而，当一些潜在的缺陷难以通过数值定义时，以及每个包装的缺陷外观存在显著变化时，传统的用于图像分析的机器视觉工具便会遭遇极限挑战，它们很难甚至无法再发挥作用。

相比之下，深度学习软件利用基于样本的训练和神经网络来分析缺陷、发现检测对象并归类，以及读取打印的字符。深度学习并不会依赖工程师、系统集成商和机器视觉专家来调出一组独特的参数化分析工具来满足应用要求，而是依赖操作员、产线经理和其他行业专家等来标记图像。通过向深度学习系统展示好零件和坏零件的外观，深度学习软件可以区分出好零件和有缺陷的零件，并对出现的缺陷类型进行分类。

图1：对需要检测的对象，每个可能的类别只要3~5张图像，就可以训练边缘学习系统对冷冻餐盘的每个部分进行分类。（图片来源：Cognex）

深度学习的广泛应用

大概十年前，深度学习还只适用于研究人员、数据科学家和其他拥有巨额预算和高度专业技能的人。然而，在过去几年中，许多机器视觉系统和解决方案提供商，已经为机器视觉应用量身定制出了不少强大的深度学习软件工具。

比如Cognex公司的VisionPro深度学习软件；AdaptiveVision公司为其AuroraVisionStudio软件提供的深度学习插件；CythSystems公司推出的NeuralVision软件；Deevio公司提供的神经网络监督学习模式；MVTecSoftware公司提供的MERLIC软件；还有许多其他公司提供开源工具包，来开发专门针对机器视觉应用的软件。

然而，在工厂自动化环境中部署深度学习，并不是一件容易的事。深度学习项目通常包括四个项目阶段：规划阶段、数据收集和真实数据标记阶段、优化阶段和工厂验收测试（FAT）阶段。深度学习还经常需要数百张图像和功能强大的硬件，如一台带有GPU的计算机（PC），用于训练任何给定应用程序的模型。但是，随着“在边缘处理图像”这种创新技术的引入，深度学习变得更容易使用了。

什么是边缘深度学习？

边缘深度学习（edgelearning）是深度学习的一个子集，它使用一组预训练算法直接在设备上处理图像。与更传统的基于深度学习的解决方案相比，边缘学习需要更少的时间和更少的图像，并且涉及更简单的设置和训练。

部署边缘学习应用不需要具有自动化或机器视觉专业知识，因此，不论是机器视觉初学者还是专家，边缘学习可以为每个人提供可行的自动化解决方案。边缘学习不依赖于工程师、系统集成商和机器视觉专家，而是依靠操作员、产线工程师和其他工作人员现有的知识来标记图像，用于系统培训。

因此，边缘学习不但能帮助生产线操作员寻找能将自动化集成到其生产线中的简单方法，同时也能为专业自动化工程师和系统集成商（他们使用参数化、可分析、基于规则的机器视觉工具，但缺乏具体的深度学习专业知识）提供帮助。通过在一组训练好的深度学习算法中嵌入高效、基于规则的机器视觉应用，边缘学习设备通过为包装和工厂自动化应用优化的集成工具集，能够提供两全其美的效果。

通过基于智能相机的解决方案，边缘学习可以在几分钟内部署到任何产线上。该解决方案集成了高质量的视觉硬件、对图像进行预处理以减少计算负载的机器视觉工具、预训练用于解决工厂自动化问题的深度学习网络，以及为工业应用设计的简单用户界面。

边缘学习与现有的深度学习框架不同，因为它不是通用的，而是为工业自动化应用专门量身定制的。而且，边缘学习与其他方法的不同之处在于，它侧重于应用程序部署的所有阶段的易用性。例如，边缘学习需要更少的图像来实现概念验证，图像设置和获取需要的时间更少，不需要外部GPU，也不需要专业的编程。

图2：边缘学习工具对泡罩包装中的药片进行多类别分类，将每个包装分类为：合格包装药片、缺少药片、有不匹配的药片。

图3：通过对多个感兴趣区域（ROI）的组件装配进行验证，来检验三个不同的区域，边缘学习工具可以确保所有必要的组件都在急救箱中。

标准化分类示例

使用传统深度学习方法开发标准分类应用程序，可能需要数百张图像和数周的时间。边缘学习使缺陷分类更加简单。通过分析智能相机视野（FOV）中的多个感兴趣区域并将每个区域分类为多个类别，边缘学习可以让任何人快速、轻松地组建起高水平的装配验证应用程序。