機器視覺是人工智能的一個分支，簡單來說，就是用機器代替人眼來做測試和判斷。運用機器視覺可以提高生產的靈活性和自動化程度，目前隨著核心技術的不斷完善，機器視覺下游應用場景不斷拓展，包括消費電子、汽車、半導體、虛擬現實、智能安防、健康醫療等。

與人類視覺相比，機器視覺功能范圍不僅包括對信息的接受，同時還延伸至對信息的處理與判斷，整體包括相機、鏡頭、視覺控制器、圖像處理、傳感器、算法平臺等。一個典型的機器視覺應用系統包括圖像捕捉模塊、圖像數字化模塊、圖像處理模塊、決策模塊、機械控制執行模塊以及光源系統等。

機器視覺在實際應用中，還存在很多問題，比如缺陷樣本太少怎么辦，面對未知缺陷混入有沒有更好的解決方案等等。在2019年10月10日的機器視覺研討會上，機器視覺領域專業人士就機器視覺的工作流程細節、實際項目中遇到的問題及解決方案等做了詳細分享和解讀。

機器視覺是如何工作的？

機器視覺的工作過程離不開深度學習，深度學習是機器學習研究中的一個新領域，其動機在于建立、模擬人腦進行分析學習的神經網絡，它模仿人腦的機制來解釋數據，例如圖像、聲音和文本，深度學習的概念源于人工智能神經網絡的研究。

深度學習的工作流程大致可概括為標注、訓練和推理。首先，人工收集和采集圖像，標注特征，形成數據；然后，將這些數據喂給計算機，讓計算機進行訓練，生成網絡進行評估，如果這個網絡的性能符合要求，就可以上線，實現檢測。網絡在上線之后，會產生大量的數據，這些數據又可以變成新的樣本，通過加入數據，進行迭代優化，讓網絡和檢測系統越來越好。

在深度學習的過程中，建立一個高質量的訓練數據集非常關鍵。高質量訓練數據集對于成功部署深度學習解決方案至關重要，邊緣情況或者標記不當的數據集會使網絡混亂，而標記良好、內部一致的數據集的效果會更佳，訓練圖像必須在其所代表的類別中具備典型，訓練圖像樣式必須盡量貼近系統部署時會遇到的圖像。

深度學習對于機器視覺的應用大致可以分成三種，一是分類，即可以將產品分為合格和不合格，這是深度學習最大的一個應用；二是定位，即幫助使用者定位物體的位置和數量；三是分割，即可以找到缺陷的輪廓，基于缺陷的輪廓和大小，對產品進行更精細的判別。

相對于傳統機器學習，深度學習對于機器視覺的作用更顯著，研華（中國）有限公司智能設備事業部資深產品經理孫鳴聰認為，在某些方面，深度學習視覺解決方案會比傳統機器視覺解決方案更具優勢，前者可以分析無規律圖像，精確度高，后者無法分析無規律圖像，精確度低。

在應對無規律圖像方面，深度學習機器視覺解決方案，即使圖像復雜，通過深度學習算法，軟件可以自動學習瑕疵的特征，使得無規律圖像的分析變得可能；而傳統機器視覺解決方案，當圖像不規則、無規律時，缺陷的特征很難通過手動設定，無法分析圖像。

在精確度方面，深度學習機器視覺解決方案，可通過深度學習算法和制造業特有的數據提高檢測的精確度；傳統機器視覺解決方案，如果缺陷部分和之前設定好的缺陷有輕微的出入，傳統視覺都無法檢測出這樣的缺陷，導致檢測的精確度低。

雖然深度學習在很多方面具有優勢，不過也并不是所有任務都適用。FLIR Systems,Inc.現場應用工程師王重普指出，深度學習可以為強主觀性或定性問題提供很方便的解決方法，主觀性問題或由多種條件復雜的相互作用而得出答案的問題是較為理想的應用。但是，深度學習并非有益于所有任務，他認為，許多基本的檢驗任務適合通過傳統機器視覺技術來完成，比如存在或缺少可清晰界定的特征、測量和對位。

實際應用中存在哪些問題？

雖然，機器視覺在實際應用中存在很多問題需要改進和優化。在研討會上，中國大恒（集團）有限公司北京圖像視覺技術分公司資深解決方案工程師李東平分享了他們在項目中遇到的幾個問題以及解決方案，這幾個問題分別是，一、缺陷樣本太少，二、標注工作量過大，三、混入未知缺陷。

一、缺陷樣本太少的問題，比如iWatch，因為蘋果的產品品控非常高、良品率高、缺陷量很少，它能提供的缺陷樣品就非常少，這樣就沒有足夠多的缺陷數據可以進行訓練。

二、標注工作量大的問題，對于缺陷檢測和分割來說，標注的時候需要把缺陷都描出來，如果對于圖像覆蓋比較大，缺陷比較多的話，工作量就比較大。

三、混入未知缺陷的問題，在生產過程中已經知道了幾種缺陷，但是不知道將來會出現哪些缺陷，比如生產過程，突然混入異物、其他料，事先不知道會混入什么料，沒有進行訓練，機器就檢測不出來，會將不合格產品作為合格產品輸出。

面對這些問題，大恒圖像嘗試讓機器只學習好的樣本，沒有壞的樣本，因為只學習好的樣本，就不需要標注，只需要少量好的樣本。如果給機器輸入一張不好的圖片，它就會給出缺陷的區域，因為只訓練好的樣品，任何缺陷都可以檢測出來，而且運行過程也會很快。

對于混入未知缺陷的問題，廣東奧普特科技股份有限公司總監賀珍真認為，將傳統機器學習和深度學習搭配使用也是一種可行方案。在他看來，傳統機器學習和深度學習各具優劣勢，外觀檢測有一種情況，可以看出對比度非常高，用傳統方法處理，會非常的穩定和快速。

而深度學習對瑕疵分類則會更有優勢，比如客戶需要分出缺陷種類，他們用傳統方法花了兩個月時間調好之后，如果換另外一種物料，又得重新調，這種情況便適合使用深度學習。然而對于沒有進行訓練的缺陷出現，深度學習就沒有辦法檢測出來。

如果生產的過程中出現這種情況，奧普特嘗試用傳統的方法和深度學習一起應用，傳統的方法解決傳統的、快速的問題，甚至把合格品分出來，再用深度工具去做一些瑕疵的分類。

總結

隨著智能化水平不斷提高，機器視覺已經進入高速發展期，中國機器視覺市場需求也將不斷增長，報告顯示，2018年中國機器視覺市場規模超過100億元，預計2019年市場規模將接近125億，面對日益擴大的市場需求，不斷發現實際應用中的問題，并優化產品解決方案是企業能夠站穩市場位置的一個重要關鍵點。