Tendance de développement des « Solutions d'inspection visuelle » de la technologie d'inspection par vision industrielle

1. La technologie d'acquisition d'images se développe rapidement

   Les firmwares CCD, CMOS et autres deviennent de plus en plus matures, la taille des dispositifs sensibles à l'image ne cesse de rétrécir, le nombre de pixels et les débits de données continuent d'augmenter, la vitesse d'amélioration de la résolution et de la fréquence d'images peut être qualifiée de rapide, et la série de produits devient de plus en plus abondante. Des paramètres tels que le gain, l'obturateur et le rapport signal/bruit sont continuellement optimisés, et des indicateurs de test clés (MTF, distorsion, rapport signal/bruit, luminosité de la source lumineuse, uniformité, température de couleur, évaluation globale des capacités d'imagerie du système, etc.) sont utilisés pour sélectionner de manière exhaustive les sources lumineuses, les objectifs et les caméras, permettant de surmonter continuellement de nombreux problèmes d'imagerie auparavant difficiles.

2. Le traitement d'images et la reconnaissance de formes se développent rapidement

   Dans le traitement d'images, avec l'extraction d'informations de contour de haute précision à partir des images, de nombreux défauts de faible contraste qui étaient à l'origine mélangés dans le bruit de fond et difficiles à détecter directement ont commencé à être résolus.

   En termes de reconnaissance de formes, cela peut être considéré comme un processus d'étiquetage. Sur la base de certaines mesures ou observations, les formes à reconnaître sont divisées en formes respectives. La théorie de la décision et les méthodes structurelles sont principalement utilisées dans la reconnaissance d'images. La base de la méthode de théorie de la décision est la fonction de décision, qui est utilisée pour classer et identifier les vecteurs de formes, ce qui est basé sur une description temporelle (telle que la texture statistique) ; le cœur de la méthode structurelle est de décomposer l'objet en formes ou en primitives de formes, et différentes structures d'objets ont des chaînes de primitives (ou chaînes) différentes. En utilisant les primitives de formes données pour l'objet inconnu afin de trouver la frontière d'encodage, d'obtenir la chaîne, puis de juger de sa catégorie en fonction de la chaîne. En termes de génération de caractéristiques, de nombreux nouveaux algorithmes émergent constamment, y compris des caractéristiques basées sur les ondelettes, les paquets d'ondelettes, les fractales et l'analyse des composantes uniques ; les machines à vecteurs de support à corrélateur, la correspondance de modèles déformés, et la conception de classificateurs linéaires et non linéaires sont constamment étendues.

3. Les avancées apportées par l'apprentissage profond

   L'apprentissage automatique traditionnel repose principalement sur les humains pour analyser et établir une logique pour l'extraction de caractéristiques, tandis que l'apprentissage profond simule le travail du cerveau à travers des perceptrons multicouches et construit des réseaux neuronaux profonds (tels que les réseaux neuronaux convolutifs, etc.) pour apprendre des caractéristiques simples, créer des caractéristiques complexes, apprendre des mappings et des sorties. Pendant le processus d'entraînement, tous les niveaux seront continuellement optimisés. Dans des applications spécifiques, telles que la segmentation automatique de zones ROI ; le positionnement de la ponctuation (les défauts inconnus peuvent être détectés de manière flexible grâce à la vision anti-authentique) ; la redétection de défauts qui ne peuvent pas être décrits ou quantifiés à partir d'images fortement bruitées, tels que les défauts de peau d'orange ; la distinction entre les vrais et les faux défauts dans l'inspection de couvertures en verre, etc. Alors que de plus en plus de logiciels de vision artificielle basés sur l'apprentissage profond sont introduits sur le marché (y compris vidi de Suisse, SUALAB de Corée du Sud, ASTRI de Hong Kong, etc.), l'autonomisation de la vision artificielle par l'apprentissage profond deviendra de plus en plus évidente.

4. Développement de la vision 3D

   La vision 3D est encore à ses débuts, et de nombreuses applications utilisent la reconstruction de surface 3D, y compris la navigation, l'inspection industrielle, la rétro-ingénierie, la topographie, la reconnaissance d'objets, la mesure et le classement, etc. Cependant, les problèmes de précision limitent l'application de la vision 3D dans de nombreux scénarios. La première application en ingénierie à l'heure actuelle est la mesure du volume de pièces standard dans la logistique. Je crois que cela a un potentiel énorme à l'avenir.

Ce qui précède est la tendance de développement de la technologie d'inspection par vision artificielle présentée par l'éditeur de Dior Technology. La vision artificielle a un large éventail d'applications industrielles. Ses fonctions principales comprennent : la mesure, la détection, le positionnement, l'identification, etc., les pionniers technologiques et les développeurs de produits dans le domaine de la photodynamique, des lasers médicaux, des systèmes et produits de vision artificielle médicale, comprenant principalement : une gamme complète de caméras industrielles, des caméras spéciales pour la mesure d'images industrielles, des caméras spéciales à réticule pour la découpe laser, des collecteurs d'images spéciaux pour l'imagerie microscopique, des systèmes de conférence d'imagerie microscopique ultra-haute définition, des systèmes d'analyse d'images microscopiques pathologiques et de consultation à distance. Les produits sont largement utilisés dans les instituts de recherche scientifique, les hôpitaux et les écoles, les usines et les entreprises minières, les unités d'évaluation de reliques culturelles, l'enquête criminelle et la justice, les transports intelligents et d'autres industries.