隨著機器視覺技術的快速發展，傳統很多需要人工來手動操作的工作，漸漸地被機器所替代。

傳統方法做目標識別大多都是靠人工實現，從形狀、顏色、長度、寬度、長寬比來確定被識別的目標是否符合標準，最終定義出一系列的規則來進行目標識別。

這樣的方法在一些簡單的案例中應用的很好，唯一的缺點是隨著被識別物體的變動，所有的規則和算法都要重新設計和開發，即使是同樣的產品，不同批次的變化都會造成不能重用的現實。

而隨著機器學習，深度學習的發展，很多肉眼很難去直接量化的特征，深度學習可以自動學習這些特征，這就是深度學習帶給我們的優點和前所未有的吸引力。很多特征通過傳統算法無法量化，或者說很難去做到的，但深度學習可以。特別是在圖像分類、目標識別這些問題上有顯著的提升。

01

使用深度學習進行目標識別

目前，深度學習技術已成為進行目標識別的一種普遍方法。

深度學習模型（比如卷積神經網絡，亦稱 CNN）可用來自動學習目標的固有特征，以便識別該目標。

有兩種使用深度學習進行目標識別的方法：

從頭開始訓練模型：要從頭開始訓練深度網絡，需要收集非常龐大的標簽化數據集，并設計用于學習特征和構建模型的網絡架構。結果可能讓人驚艷，但這種方法需要大量的訓練數據，而且需要設置 CNN 中的各個層和權重。

使用預先訓練的深度學習模型：大多數深度學習應用程序使用遷移學習方法，該過程涉及對預先訓練的模型進行微調。從現有網絡起步，并輸入包含以往未知類的新數據。這種方法耗時較少，并能夠提供更快的結果，因為該模型已經在數千或數百萬圖像上進行訓練。

深度學習具有很高程度的準確性，但準確預測要求有大量的數據。

02

目標識別定位檢測技術的應用

眾所周知，機器視覺技術經常用于定位與引導，提供機械手或其它執行機構以準確的二維或三維坐標，進行路徑規劃，引導機械手完成規定的作業和任務。

通常，機器視覺對目標產品定位技術是在高速云盤機生產流水線的檢測、抓取等過程中應用的關鍵技術。通過目標定位技術能夠識別、確定零件的位置和方向，并將抓取結果直接傳輸到搬運物體的設備中。

定位與引導系統往往和其它系統一并構成較復雜的技術系統，實現特定的功能，提高生產的柔性和自動化程度，滿足需求。

在一些不適合人工作業的危險環境中，或者應用人工視覺難以滿是定位要求的場合中，常常利用機器視覺替代人工視覺進行目標定位。

矩視智能專注于機器視覺技術，從測量、識別、檢測等角度出發全方位進行定位和引導的研究，通過對圖片中的不同類別、位置的對象進行定位和分類，實現對圖片不同缺陷特征的定位和檢測。通過標注，即可建立目標模板，經過深度學習訓練，便可解決平移、旋轉、縮放和光線等影響。可學習圖像中的多個目標，并同時檢測，給出所有被識別目標的位置和定義。

根據具體問題具體分析，提出各類機器視覺技術定位與引導方案，較低成本地解決各類定位與引導的技術問題。

高精度檢測 精準判斷有無

云平臺基于神經網絡搭建的底層算法平臺做支撐，適用于多種高速檢測場景，不需要單獨開發，節省開發成本。

同時檢測不會受到主觀因素干擾，識別速度可達到毫秒級別，可直接輸出檢測結果。

快速準確定位 計數識別盡收眼底

云平臺只需通過采集待計數物體的邊緣圖像進行學習并優化，即可計算出整體數量。

并且可以同時統計不同型號的產品數量，滿足企業對高速生產過程中產品數字安全控制的需要。

像素級分割識別 散亂堆疊抗干擾

云平臺堆疊識別功能支持特殊定制，不需要將堆疊物體分開擺放，可直接勾畫出3D堆疊場景下物體的輪廓，從而能夠精準分割目標，并進行中心點計算，搭載本地GPU，識別速度可以達到毫秒級別。

多目標同時識別 精準計算抓取點

云平臺打破傳統視覺解決方案的繁瑣，只需要標注、訓練后就可以得到SDK模型并且可以對復雜背景下的單個/多個目標進行識別，通過外形輪廓特征計算抓取點坐標，同時支持多種抓取方式，高效解決各類定位抓取需求。

03

實戰案例

智能盤點鋼筋數量

檢測難點

① 精度要求高

鋼筋本身價格較昂貴，且在實際使用中數量很大，誤檢和漏檢都需要人工在大量的標記點中找出，所以需要精度非常高才能保證驗收人員的使用體驗。

需要專門針對此密集目標的檢測算法進行優化，另外，還需要處理拍攝角度、光線不完全受控，鋼筋存在長短不齊、可能存在遮擋等情況。

② 鋼筋尺寸不一

鋼筋的直徑變化范圍較大（12-32中間很多種類）且截面形狀不規則、顏色不一，拍攝的角度、距離也不完全受控，這也導致傳統算法在實際使用的過程中效果很難穩定。

③ 邊界難以區分

一輛鋼筋車一次會運輸很多捆鋼筋，如果直接全部處理會存在邊緣角度差、遮擋等問題效果不好，目前在用“單捆處理+最后合計”的流程，這樣的處理過程就會需要對捆間進行分割或者對最終結果進行去重，難度較大。

此外，由于鋼筋存放環境復雜，在儲存運輸過程中常會出現腐蝕、生銹等問題，易造成鋼筋截面圖像失真，所以，采用傳統基于原始圖像處理方式進行鋼筋計數準確率也只能達到90%。

矩視智能低代碼開發平臺，運用人工智能機器視覺技術，自主研發深度學習引擎，將人工經驗轉化為AI算法，快速清點數量，科學解放人力，具備快速、準確、易操作、適應性強等特性。

現場應用圖片

云平臺效果矩視智能低代碼平臺在鋼鐵行業的應用——“鋼筋計數”，克服了現有算法由于鋼筋截面形狀不規則、顏色不一、拍攝距離不可控等導致的無法識別復雜鋼筋圖像的一系列技術難題，在實際操作過程中性能穩定，大幅提高了鋼筋計數效率和準確率。根據多次測試，計數準確率可達到99.9%。

螺絲孔內的螺紋有無應用檢測

檢測難點

產品位置和角度隨機，且相機需要傾斜拍攝才能看到一邊的螺絲孔側面，不同位置的特征有一定視差，傳統視覺算法難以準確定位和檢測螺紋。

矩視智能低代碼平臺精確檢測螺絲孔內螺紋缺陷、瑕疵，并對缺陷信息進行統計、分類和分析，優化生產過程控制，將產品進行分級，提高客戶的信賴和滿意度。

可正確檢測螺紋孔，檢測不合格產品時可以發出報警信號（OK/NG），每個檢測周期時間完全能夠滿足客戶要求。良好的產品，內部成像完整且清晰，螺紋紋理流暢，均勻，沒有缺損。不合格產品成像圖片，可以憑借成像效果判斷缺損方位與嚴重程度。

手機外殼無序抓取、定位引導方面的應用

手機作為移動互聯網的主要終端，需求量逐年遞增，所以手機外觀是質量的一個重要指標，消費者對于手機質量也提出了更高的品質要求。 傳統的手機檢測采用人工檢測的方法，這種方法檢測效率低下，易疲勞，難以長期持續化生產，增加勞動力成本，由于人工主觀因素，產品一致性和穩定性難以保證，生產信息也難以統計和追溯，很難滿足現在制造業對產品生產過程自動化和信息化的要求。矩視智能低代碼開發平臺可實現不同姿態和不同位置無序抓取的定位引導。工作流程：●產品移動到拍照工位； ●觸發相機對手機殼進行拍照； ●視覺軟件識別圖像特征，對手機殼定位； ●發送手機殼指定中心坐標信息給機械手或PLC； ●機械手移動準確抓取手機殼。

審核編輯 ：李倩