深度學習帶來的突破
         傳統的機器學習在特征提取上主要依靠人來分析和建立邏輯，而深度學習則通過多層感知機模擬大腦工作，構建深度神經網絡（如卷積神經網絡等）來學習簡單特征、建立複雜特征、學習映射並輸出，訓練過程中所有層級都會被不斷優化。在具體的應用上，例如自動ROI區域分割；標點定位（通過防真視覺可靈活檢測未知瑕疵）；從重噪聲圖像中檢測無法描述或量化的瑕疵如橘皮瑕疵；分辨玻璃蓋板檢測中的真假瑕疵等。隨著越來越多的基於深度學習的機器視覺軟件推向市場，深度學習給機器視覺的賦能會越來越明顯。
3D視覺的發展
         3D視覺還處於起步階段，許多應用程序都在使用3D表麵重構，包括導航、工業檢測、逆向工程、測繪、物體識別、測量與分級等，但精度問題限製了3D視覺在很多場景的應用，目前工程上最先鋪開的應用是物流裏的標準件體積測量，相信未來這塊潛力巨大。 要全免替代人工目檢，機器視覺還有諸多難點有待攻破
         1）光源與成像：機器視覺中優質的成像是第一步，由於不同材料物體表麵反光、折射等問題都會影響被測物體特征的提取，因此光源與成像可以說是機器視覺檢測要攻克的第一個難關。比如現在玻璃、反光表麵的劃痕檢測等，很多時候問題都卡在不同缺陷的集成成像上。
         2）重噪音中低對比度圖像中的特征提取：在重噪音環境下，真假瑕疵的鑒別很多時候較難，這也是很多場景始終存在一定誤檢率的原因，但這塊通過成像和邊緣特征提取的快速發展，已經在不斷取得各種突破。
         3）對非預期缺陷的識別：在應用中，往往是給定一些具體的缺陷模式，使用機器視覺來識別它們到底有沒有發生。但經常遇到的情況是，許多明顯的缺陷，因為之前沒有發生過，或者發生的模式過分多樣，而被漏檢。如果換做是人，雖然在操作流程文件中沒讓他去檢測這個缺陷，但是他會注意到，從而有較大幾率抓住它，而機器視覺在這點上的“智慧”目前還較難突破。

返回列表