前言
深度學習(Deep Learning)的出現(xiàn)打破了傳統(tǒng)機器學習發(fā)展的瓶頸，成為了機器學習算法研究中較先進的技術(shù)之一。同時，它大大地促進了機器學習的發(fā)展，受到世界各國相關(guān)領(lǐng)域研究人員和高科技公司的重視。
SICK作為工業(yè)用智能傳感器和傳感技術(shù)解決方案的主要制造商之一，已將深度學習作為其數(shù)字化轉(zhuǎn)型的一個重要部分。SICK自主研發(fā)的軟件開發(fā)與應(yīng)用生態(tài)系統(tǒng)AppSpace，可將PC端上開發(fā)好的應(yīng)用程序直接下載到智能傳感器中，并且能在傳感器中快速執(zhí)行，其中就包括深度學習的應(yīng)用程序?；赟ICK AppSpace的深度學習功能主要包括：分類、異常檢測、目標跟蹤及語義分割，這些功能可為絕大部分工業(yè)視覺復(fù)雜類檢測應(yīng)用提供解決方案。
深度學習之分類功能
圖像分類是機器視覺中一個基礎(chǔ)的任務(wù)，同時也是一項頗具挑戰(zhàn)的任務(wù)。其難度主要在于：
1、復(fù)雜背景的干擾
圖1. 車與飛機在復(fù)雜背景中的分類
2、同一類別具有各種無法預(yù)測的差異，特征提取難度大
圖2. 質(zhì)檢為合格的同一類螺紋
3、用于區(qū)分不同類別的特征具有一定的模糊性，容易導致誤判
圖3. 質(zhì)檢為不合格(左圖)與合格(右圖)的螺紋
深度學習技術(shù)在特征表示上具有較大的優(yōu)越性，能很好的解決上述3大問題，并在許多實際應(yīng)用場景中得到了落地。
SICK基于自主研發(fā)的AppSpace平臺，將深度學習技術(shù)部署于云端(點擊進入云端)以及智能相機InspectorP6xx(如圖4所示)系列中，為用戶提供簡潔、高效、高性能的解決方案，整個方案僅包括3塊簡單的流程，如圖5所示：
圖4. 智能相機InspectorP6xx系列
圖5. 深度學習解決方案流程
案例詳解
需求：檢測螺紋質(zhì)量，合格的輸出OK，不合格的輸出NG
解決方案具體流程如圖6所示：
圖6. 解決方案詳細流程
成功案例：
圖7. 塑料瓶質(zhì)量檢測
圖8. 焊接質(zhì)量檢測及分類
圖9. 螺絲有無檢測
深度學習之異常檢測功能
基于深度學習的異常檢測方法可以降低傳統(tǒng)人工質(zhì)檢的成本，并且大大提高了檢測的效率與準確性，已經(jīng)被廣泛應(yīng)用于各種工業(yè)場景中。
但是一些深度學習的方法依然存在著以下缺點：
1. 需要大量的訓練樣本;
2. 收集大量有缺陷的樣本更為困難，因為實際生產(chǎn)中有缺陷的樣本數(shù)量很少;
3. 需要人工進行繁瑣的缺陷標注。
SICK基于自主研發(fā)的AppSpace平臺，將具有異常檢測功能的深度學習技術(shù)完全部署在智能相機InspectorP6xx(如圖4所示)系列中。即，InspectorP6xx系列是集成了數(shù)據(jù)采樣、訓練、檢測于一體的智能相機。
該技術(shù)具備以下優(yōu)點：
1. 無需使用額外的工控機(PC)進行訓練，在智能相機內(nèi)部即可實現(xiàn)快速訓練;
2. 只需收集少量正樣本，即，被認為是合格的樣本圖像，最少僅需要2張樣本，而最多不能超過100張;
3. 無需收集有缺陷的樣本;
4. 無需對圖像進行標注。
案例詳解
需求：檢測芯片電路板中是否存在異物，若有，則標出異物的位置。
解決方案具體流程如圖10所示：
圖10. 解決方案詳細流程
成功案例
材料表面無劃痕(左)有劃痕(右)
圖11. 劃痕檢測
圖12. 電路板異常檢測
圖13. 裝配檢測
結(jié)束語
SICK工業(yè)智能傳感器在多個行業(yè)的不同場景中被廣泛使用著，而集成了SICK AppSpace深度學習功能的智能相機，可以為大部分工業(yè)視覺復(fù)雜類檢測應(yīng)用提供簡潔、快速、高效以及穩(wěn)定的解決方案。
（轉(zhuǎn)載）
