基于SICK AppSpace的深度学习功能介绍

前言

　　深度学习(Deep Learning)的出现打破了传统机器学习发展的瓶颈，成为了机器学习算法研究中较先进的技术之一。同时，它大大地促进了机器学习的发展，受到世界各国相关领域研究人员和高科技公司的重视。

　　SICK作为工业用智能传感器和传感技术解决方案的主要制造商之一，已将深度学习作为其数字化转型的一个重要部分。SICK自主研发的软件开发与应用生态系统AppSpace，可将PC端上开发好的应用程序直接下载到智能传感器中，并且能在传感器中快速执行，其中就包括深度学习的应用程序。基于SICK AppSpace的深度学习功能主要包括：分类、异常检测、目标跟踪及语义分割，这些功能可为绝大部分工业视觉复杂类检测应用提供解决方案。

深度学习之分类功能

　　图像分类是机器视觉中一个基础的任务，同时也是一项颇具挑战的任务。其难度主要在于：

　　1、复杂背景的干扰

图1. 车与飞机在复杂背景中的分类

　　2、同一类别具有各种无法预测的差异，特征提取难度大

图2. 质检为合格的同一类螺纹

　　3、用于区分不同类别的特征具有一定的模糊性，容易导致误判

图3. 质检为不合格(左图)与合格(右图)的螺纹

　　深度学习技术在特征表示上具有较大的优越性，能很好的解决上述3大问题，并在许多实际应用场景中得到了落地。

　　SICK基于自主研发的AppSpace平台，将深度学习技术部署于云端(点击进入云端)以及智能相机InspectorP6xx(如图4所示)系列中，为用户提供简洁、高效、高性能的解决方案，整个方案仅包括3块简单的流程，如图5所示：

图4. 智能相机InspectorP6xx系列

图5. 深度学习解决方案流程

案例详解

　　需求：检测螺纹质量，合格的输出OK，不合格的输出NG

　　解决方案具体流程如图6所示：

图6. 解决方案详细流程

　　成功案例：

图7. 塑料瓶质量检测

图8. 焊接质量检测及分类

图9. 螺丝有无检测

深度学习之异常检测功能

　　基于深度学习的异常检测方法可以降低传统人工质检的成本，并且大大提高了检测的效率与准确性，已经被广泛应用于各种工业场景中。

　　但是一些深度学习的方法依然存在着以下缺点：

　　1. 需要大量的训练样本;

　　2. 收集大量有缺陷的样本更为困难，因为实际生产中有缺陷的样本数量很少;

　　3. 需要人工进行繁琐的缺陷标注。

　　SICK基于自主研发的AppSpace平台，将具有异常检测功能的深度学习技术完全部署在智能相机InspectorP6xx(如图4所示)系列中。即，InspectorP6xx系列是集成了数据采样、训练、检测于一体的智能相机。

　　该技术具备以下优点：

　　1. 无需使用额外的工控机(PC)进行训练，在智能相机内部即可实现快速训练;

　　2. 只需收集少量正样本，即，被认为是合格的样本图像，最少仅需要2张样本，而最多不能超过100张;

　　3. 无需收集有缺陷的样本;

　　4. 无需对图像进行标注。

案例详解

　　需求：检测芯片电路板中是否存在异物，若有，则标出异物的位置。

　　解决方案具体流程如图10所示：

图10. 解决方案详细流程

成功案例

　　材料表面无划痕(左)有划痕(右)

图11. 划痕检测

图12. 电路板异常检测

图13. 装配检测

结束语

　　SICK工业智能传感器在多个行业的不同场景中被广泛使用着，而集成了SICK AppSpace深度学习功能的智能相机，可以为大部分工业视觉复杂类检测应用提供简洁、快速、高效以及稳定的解决方案。

（来源：德国西克SICK）