在当今的制造业中，计算机视觉和传统的机器视觉技术对于实现业务目标至关重要。无论是为了质量保证而读取标签，检测缺陷，检测产品缺失，还是识别质量问题，计算机视觉都能帮助解决业务问题。如果某个属性是可见的——例如，一个缺陷，一个物体的存在或缺失——可以构建一个计算机视觉系统来寻找该属性。
全球各地的各行各业的企业都依赖计算机视觉来解决问题。汽车制造商使用视觉工具来识别缺陷，确保达到质量标准。冰淇淋制造商使用计算机视觉来检测生产线上的冰淇淋是否融化，这是一个代价高昂的问题。例如，这里有一个机器视觉模型被用来识别金属缺陷。
可能想知道：如何将视觉工具集成到制造系统中？这就是将在这个指南中回答的问题。在这个指南中，将讨论什么是计算机视觉，它与机器视觉的比较，以及可以实施的计算机视觉驱动工具来解决业务问题。将以如何开始构建满足需求的系统的指导结束。
什么是计算机视觉？
计算机视觉是一套使用视觉输入来解决问题的技术。计算机视觉系统通常使用人工智能。最先进的AI系统在识别物体、分割物体区域、识别关键点等任务上比以往任何时候都更有能力。可以使用计算机视觉进行多种用途，包括识别物体或缺陷的存在或缺失，验证物体的颜色，读取条形码、二维码、ISBN和其他标识符，读取包装上的文字（例如退货标签、保质期），验证产品的朝向，测量产品的尺寸，验证物体是否出现在特定区域（例如，如果产品的所有四个角落都有螺丝）。
有四种主要类型的计算机视觉系统：对象检测：检测特定物体的存在或缺失。分割：在像素级别上识别图像中物体的位置。适合测量物体。分类：为图像分配一个或多个类别。关键点检测：识别图像上的关键点。适合检查产品的朝向。
要将计算机视觉系统集成到制造过程中，需要一个能够识别感兴趣物体的模型。这个模型可以调整以识别特定物体，并且可以在一个下午内进行训练。通过使用业务数据来训练模型，可以构建一个比任何预制系统更准确的系统。
一旦有了模型，可以直接将其集成到制造流程中。使用开源工具，如Roboflow Inference，可以在工厂的摄像头输入或RTSP流上运行模型。可以编写自定义逻辑，当满足特定条件时触发操作。例如，如果检测到产品中的缺陷，该产品可以实时被标记并从装配线中移除。
计算机视觉与机器视觉
机器视觉，也称为“基于规则”的视觉，几十年来一直在制造业中解决问题。机器视觉指的是编写规则的算法，用于解决特定问题，如检测边缘或读取条形码。机器视觉系统可以解决诸如检测边缘、读取文本、珠子检查、测量边缘和模式匹配等问题。对于这些用例，机器视觉可以是有效的。话虽如此，计算机视觉开辟了许多机会，允许执行基本和复杂的任务，不受硬件限制，并且能够适应新环境和流程。
可以在设施中同时使用机器视觉和计算机视觉。安装的机器视觉系统，如条形码阅读器，可以与用于检查产品是否无特定缺陷或正确定向的计算机视觉系统一起使用。计算机视觉系统可以部署在像NVIDIA Jetsons或Raspberry Pis这样的计算机上，这些计算机通常比专门制造的机器视觉系统便宜。
将计算机视觉工具集成到装配线中
计算机视觉工具可以帮助提高效率，降低缺陷率，确保合规性等。一旦确定了计算机视觉的用例，下一步就是将计算机视觉系统集成到装配线或制造过程中。可以使用像Roboflow这样的工具来构建满足要求的系统。Roboflow提供了创建独特于业务的视觉系统所需的工具。以下是如何构建这样一个系统的简化概述。
首先，需要收集代表用例的数据。例如，可能会为玻璃检查系统收集玻璃图像。然后，可以在数据中标记感兴趣的对象——产品、划痕、裂纹、碎片或其他任何东西。这些标签可以用来训练特定于用例的定制模型。
有了定制模型，可以在设施的任何地方部署它。这个过程包括识别可以运行模型的硬件或使用具有互联网连接的设备。NVIDIA Jetson是制造环境中运行模型的常见选择。然后，将需要一个摄像头。摄像头不需要具有视觉功能，但应该提供以太网或USB连接，并支持识别感兴趣的对象所需的图像质量。可以将摄像头与视觉硬件结合使用，开始运行模型。
一旦有了生产中的模型，可以努力改进它。例如，系统可能识别出95%的玻璃裂纹，但在边缘缺陷上挣扎。可以使用Roboflow Inference部署解决方案中内置的主动学习功能实时收集更多数据。然后，这些数据可以反馈到训练新版本的模型中，使其更准确。
视觉工具——计算机视觉和机器视觉——是现代制造过程的基石。可以将机器视觉系统与计算机视觉结合起来，构建更强大的系统。例如，可以训练计算机视觉系统识别在装配线上注意到的缺陷；可以构建一个检查产品方向的系统。计算机视觉和机器视觉使能够降低缺陷率，确保装配线的稳定性，并为产品实施强大的质量检查。