成本上涨近10倍深度学习如何让传统机器视觉企业买单？电子发烧友网报道（文/黄山明

电子发烧友网报道（文/黄山明）随着当前工业制造技术的高速发展，机器视觉技术已经逐步成为工业自动化生产过程中不可或缺的关键组成部分。从功能上看，机器视觉的主要作用是利用机器替代人眼，通过机器的视觉能力，实现对物体的识别、检测、测量、工业机器人的定位引导等功能。
从技术角度来看，传统的工业视觉通过高分辨率图像对物体进行检测或识别。那么是否可以结合人工智能技术，让机器视觉变得更加智能，更加精准呢？答案显然是可以的，并且已经有许多厂商在这条道路上快速前行。
据国内公开数据统计， 2018年中国机器视觉行业销售总额为83.9亿元，比上年同期增长21.6%；研发投入增长至11.7亿元，同比增长32.8% 。据专业调研机构Grand View Research的预测，到2025年，全球机器视觉市场空间将超过180亿美元，年均复合增速7.7% ，快速增长的市场也吸引了诸多玩家投身其中。
深度学习让机器视觉定义缺陷更快速
以外观缺陷检测为例，传统的工业视觉需要由专业的人员对机器进行大量的调试，繁复的调试工作不仅需要大量的工时，同时还需要品管人员进行反复的校核，最终进入产线检测。而将深度学习与传统视觉相结合，将极大地优化作业流程。
康耐视华南区销售经理刘墨在接受电子发烧友采访时称：“与过去的机器视觉技术不同的是，传统机器视觉在前期需要做许多参数的调试，而深度学习的机器视觉是做一种定义的判断，根据给出样品照片为产品的缺陷下一个定义。 ”
文章插图
深度学习工具|康耐视
与传统视觉一个明显的区别就是，只要有足够的数据，深度学习的机器视觉可以极大缩减前期调试工作的时间，只需要将数据输入给机器，就能由机器完成建模，以及形成对缺陷的认知。
刘墨表示：“康耐视是一家专注于机器视觉的公司，因此在深度学习具有一定优势，一个是训练样本的数量并不需要太大，单个类型的缺陷（如划伤、压痕），仅需要20张左右的图片训练就能够完成初步识别；此外，在训练时间上，康耐视也有一定优势，过去一家拥有8000张图片素材的客户，训练只花费了20分钟左右，而许多厂商的做法是今天晚上将图片输入进去，第二天早上再来看结果。 ”
不过这样会产生一个问题，即识别样品较少，只能让机器初步对某个缺陷产生认知，但这个认知并不完善。深圳市深视创新科技有限公司大客户经理武栓弟表示：“大多数采用深度学习的机器视觉公司，都能用少数的图片完成识别，并出具初级报告，但要达到很好的识别效果，还需要更多的样品照片训练才行。 ”
刘墨也表示，如果要机器视觉达到较好的识别，除了需要足够的样品照片训练之外，检测结果还需要与品管进行对照，来加强准确性。
将深度学习应用在传统视觉上的优点显而易见，可以节省大量前期准备工作，同时不用更改结构，准备好数据投喂即可。当然，缺点同样在于数据，尽管用少量的样品图片就能够完成机器的识别，但想要获得较好的识别效果，也必须准备足够的样本才行。
成本将近10倍深度学习为何这么贵？
对于工业制造而言，一项成熟的技术除了能够提高生产效率外，还需要降低成本，这才能得到快速的推广。那么具体到深度学习的机器视觉技术而言，其表现又如何呢？
刘墨认为，成本是相对的，同时这项技术的出现也主要是为了替代人工，行业内通常是一年半可以收回成本，而康耐视解决方案的成本，可以在一年内收回。
从具体的价格来看，据武栓弟透露，一套不含生产线的深度学习机器视觉解决方案价格在16万元左右。但一套传统的机器视觉检测方案价格是多少呢？据深圳市倍诺自动化设备有限公司副总经理瞿剑飞表示，一套普通的机器视觉方案价格在2万以内。
为何深度学习解决方案价格会高出这么多？一个是开发过程需要基于工具的规则变成与基于实例的培训，同时在硬件投入上，深度学习需要更多的处理和存储。
文章插图
工业图像缺陷样本管理系统|深视创新
当然，贵有贵的好处，深度学习可以在没有明确编程的情况下解决特定任务。以产品划痕缺陷检测为例，传统视觉中对于这种检测需要进行严格的定义，通过设定不同的尺寸来看机器判断什么是划痕，而深度学习系统可以通过数据的喂养，识别出不在喂养数据之内的划痕缺陷。

成本上涨近10倍 深度学习如何让传统机器视觉企业买单？

成本上涨近10倍深度学习如何让传统机器视觉企业买单？