工业视觉系统如何与人脑不同

我看到了很多视觉应用，有时它会让我惊讶人们对相机的期望。工业视觉检查非常强大，但它的工作方式与人脑不同，所以你不能期望它以同样的方式做同样的事情。这可能是一种帮助，也可能是一种阻碍。与任何工程任务一样，了解系统如何工作可以帮助我们最大限度地提高收益并减少缺点。

人体大脑如何处理图像

你的大脑是一台模式识别机器。它拥有终生学习的模式，可以快速识别和分类几乎所有你能看到的东西。即使图片不清晰，你也可以根据上下文做出很好的猜测。你知道你在哪里，你在寻找什么，你的其他感官也给你带来了额外的好处。

当您正在考虑视觉检查任务时，您也有关于您正在检查的产品的深刻知识，创建它的过程以及可能出错的东西。这有助于确定某些东西是否是好的部分或拒绝。

不像电脑，你的大脑非常灵活，很容易从经验中学习。您可以快速而轻松地学习新的产品类别或缺陷类型。你可以不用教就能识别模式。如果在你期待的地方看不到你想要的东西，你就会去别处寻找。即使是模糊或扭曲的图像，人类的大脑也能识别，而且随着时间的推移，你通常会变得更好。

虽然在谈到模式识别时，人类大脑（在视觉系统中也称为分类）时，但它有一些限制。它可能与人或日常生活中的人员不一致，有时会慢，而不是数值，所以从视觉输入的测量很困难。

工业视觉检测是如何工作的

另一方面，当你有一个自动视觉检测系统，它只知道你告诉它什么。它不知道过程或部分，没有存储的模式库要识别，没有上下文意识，没有其他感觉。

编程系统在找到，分类和测量功能的方法中非常严格。Each step of the process has to be specifically set up by the programmer, so it won’t improve over time without help, it won’t learn new patterns, and it won’t look anywhere else if it doesn’t find what it’s looking for.

这种严格的方法也有它的好处。它往往是快速的，一致的，数字的，所有工业过程的重要特征。它也很擅长测量任务。

简单性对于自动化检查很重要。设置相机和照明，以收集在感兴趣的特征上高对比度和其他低对比度的图像。这有助于简单的算法(与你的大脑相比)变得有效。简单的算法处理速度更快，从编程的角度来看，它们更可行。

机器学习用作混合方法

最近，我们在工业愿景中有一个新的工具，就像你的大脑和传统的自动化视觉系统之间的交叉。机器学习（ML），现在可以购买人工智能的分支，以便自动视觉检查，授予机器人类大脑的一些力量。

这些系统往往是良好的检查任务，不能设置为高对比度的特征感兴趣。例如，ML方法可以通过褪色来检测焊缝质量。有些过程也有缺陷模式，这些缺陷模式对于传统系统来说是很难量化的——比如划痕、烧痕和凹痕——但ML技术可能是一个很好的选择。

这仍然是自动化检测的一个新领域。这些工具价格昂贵，它们需要大量的处理能力，而且它们不太适合传统工具擅长的任务——定位、测量、高速应用。它们在未来的自动化检测中扮演着重要的角色，但还不是大多数应用的主要选择。

结束思想

工程始终是关于权衡利弊，以最大化效益的方式为应用程序应用正确的工具，并最大限度地减少缺点。愿景是一个完美的例子。当您知道它的工作原理时，您可以使用正确的照明和编程将其应用于正确的应用程序，以便进行工作。而且大外带是：不要指望电脑像人类大脑一样聪明。这项技术还没有那里。

本文最初出现在布林机器自动化服务的博客。由Chris Vavra，Web Content Manager编辑，控制工程，CFE媒体和技术，cvavra@cfemedia.com.。