深度學習分類工具運作方式 - yuyoutech - Xuite 備份站
深度學習分類工具運作方式
必須沿著生產線識別和分揀多個要使用的品項時，將組件與元件分類，對複雜裝配驗證來說很實用。對於生產線內的製程控制與連續製程改善， 分類 也至關重要，提供的基本資料可在問題變得根深蒂固之前發現錯誤。
儘管 機器視覺 的進展驚人，但探測形狀、大小及位置各異的物件或組件，傳統上還是需要肉眼的靈活彈性。即使是以電腦供電的最強大檢測系統，也容易受到雜亂、圖案繁複的背景和鏡面眩光等圖像品質問題的干擾。
這些條件讓視覺演算法非常難以可靠又精準的方式找到物件或檢測目標區。自動化系統要忽略不相關的特徵，以成功識別檢測目標區，雖不是完全不可能，但既費時又困難。
在這些情況下，當應用需要自動精準地定位複雜的特徵與物件時，轉為採用深度學習工具會很實用，而不是仰賴設計程式從圖像範例當中學習。使用這些自我學習演算法可開啟新的能力，能依據色彩、材質、材料、包裝或缺陷類型來定位組件，並予以分門別類。
讓我們來細看深度學習分類工具對各種不同產業有何助益。
許多 汽車業應用 都是透過讀碼與 光學字元辨識 (OCR) 技術 執行識別，以將條碼與序號解碼。但在不支援讀碼或英數文字的環境中，製造廠商必須仰賴視覺識別。這對於任何發生位置無法預測或有視覺變化與誤差的識別而言會有困難，但當組件需要根據這些標記來計數和分揀或分類時，則更形複雜。
試想 汽車業製造廠商 收到從組件製造廠商出貨的火星塞。這些火星塞是專為數款車型而設計，因此顏色與標識各有不同。用不同顏色的輸送盤送達生產線進行預先裝配時，自動化檢測系統需要予以識別、計數及分類，才能將資料遞送至機器人組裝階段。為此，自動化系統需要區分顏色不同的火星塞，向機器人提供重要的組裝資訊，但也要忽略在背景造成干擾的輸送盤顏色。
這一類分類難題要求深度學習工具能不受個別標識影響，根據火星塞形狀與尺寸歸納其正常外觀，然後再根據顏色加以分類。為此，像是 康耐視深度學習 等深度學習圖像分析工具，使用加上標籤的訓練圖像，歸納火星塞外觀以計算輸送盤上的整批數量。然後，還要能夠依據顏色分揀，並將此資料傳輸給機器人進行組裝。
對於工作誤差範圍嚴格的 電子硬體製造廠商 而言，務必非常仔細地探測出組件上的所有表面缺陷，並在生產流程中及早編成目錄。這些元件的金屬表面會投射出鏡面眩光，使得相機拍下的組件外觀似乎有所改變，以致於干擾檢測系統。
像是碰撞、刮痕或汙點等在組裝期間發生的常見缺陷，因為表面粗糙不平且反光，所以在生產過程早期經常難以辨別。而且，只能在特定照明條件下看到這些缺陷，也經常在照明不均勻，導致對比度局部改變時顯露出來。
同時，檢測系統必須容許材料表面中的正常變化與自然發生但微小的異常。使用深度學習工具，電子業製造廠商可使用標準與非專用明探測朝任何方向的一般缺陷，容許鏡面眩光與微小異常，然後依據其常見屬性分揀並分類缺陷。
常見應用為了品質控制，而需要分類表面缺陷。深度學習可根據每種缺陷類型的常見特徵，加以分揀至所屬類別或類型。例如，模型可根據「汙點」、「凹痕」及「刮痕」常在金屬表面上呈現的外觀，從中分揀出「碰撞」特徵。但即使是碰撞，每次的碰撞都會有些微不同，因此製造廠商需要使用深度學習，概念化和歸納常見的碰撞特徵，以正確地加以識別。
為此，深度學習檢測系統結合有關組件金屬表面的關聯式資訊，以構成可靠的表面缺陷形狀、尺寸及特徵模型。因此，像是撞擊和刮痕等缺陷會標示為異常 (或是不合格或「不良品」圖像)，因為其所在區域呈現的特徵偏離正常的表面特徵。再依據碰撞、汙點、凹痕及刮痕等常態，分揀出具有常見特徵的所有「不良品」圖像。
如果某些缺陷類型不會造成功能性損壞，製造廠商也認為可以容許，系統便可決定容許該類別，並允許其通過，前往下一個生產階段。
不使用條碼，而基於外觀進行 包裝識別 ，會相當棘手。在這些情況下，不只是產品與批次外觀的正常與預期變化，還有因照明不均勻導致對比度局部改變，而造成包裝外觀出現的變化，檢測系統都要能靈敏感知。
以多重包裝的食品與飲料以及消費性產品為例，小盒中可能會以不同的方式準備相同的包裝物，檢測系統需要立即辨識出包裝中造成兩種不同包裝類別的細微差異，但在某些光源下可能會難以探測。
例如，有四個一組的捲筒衛生紙兩組，雖然兩組完全相同並標有相同的條碼，卻可能以不同方式套疊在盒中；有些會個別套成四個一組，其他則為了運送而另外包裝。為了讓機器視覺檢測系統發現此細微差異，需要以大量的特選條件設計程式，然後仔細微調並將探測演算法最佳化。
深度學習圖像分析則改為仰賴如人類一般的方法，學習區分兩種不同的包裝類別。基於對兩種包裝類別加上的標籤，系統能意識到額外的包裝就是其區分關鍵，並可據以分揀兩者。
癌細胞外觀變化繁多，而且無法預測形態。事實上，單一類型的癌細胞大小與形狀變化多樣，而少見相同的常見特徵。病理師幾乎無法明確指出乳癌細胞如何形成。令人沮喪的是，「眼見即知」這句古老諺語，在病理學上獲得印證。
基於深度學習的 缺陷探測工具 透過學習無數不同的癌細胞形態，跨越這項障礙，並能精準地標示所有這類異常外觀，同時清楚知道健康細胞的自然與正常變化。但在需要將細胞的差異程度分級時，深度學習工具可以根據特定形態學，將所有異常圖像分類。由於機器視覺本身的程式設計限制，其並無法處理這項工作。
例如，前列腺癌細胞可根據「格里森圖案」分級，或依其腺體樣的架構，分成 1-5 級。 1 表示形狀一致，而 5 表示形狀不規則且獨特。深度學習工具可結合根據腺體分化程度，將細胞組織外觀分成 1-5 級的模型，然後分類工具可以根據該外觀，分揀出所有樣本，有助於將檢測自動化。即使單一圖像內有數個要注意的目標檢測區，而需要檢測多個場景時，像是康耐視深度學習這類的工具也可以做到。
需要分類時，「類別」會依據缺陷類型、尺寸、形狀、顏色，以及各行各業特有的各種不同形態而異。深度學習工業圖像分析軟體不僅可在自動化檢測方面，助製造廠商一臂之力，還能完成先前不可能做到的事：不需要進行任何程式設計，即可分類、分揀及分級。如此一來，區分視覺上類似但不同的產品，還有容許相同類別內的繁多變化，以及區分可容許異常與真正缺陷等，種種檢測終於可以自動化。
康耐視深度學習之類的深度學習解決方案不僅可擴充傳統機器視覺的檢測能力，還能依據組件的視覺特徵進行分揀和分類，協助加快組裝速度，並在品質與產量受到影響之前發現生產錯誤。