智能工厂的关键：基于机器学习的工业视觉

在“机器视觉”中应用自动学习技术可以更好地了解整个生产过程，预测可能出现的问题。

“机器学习”技术的使用有助于通过已经整合的工具为应用提供新的深度。通过在制造工厂使用深度学习应用程序，在可靠性和稳定性方面取得更好的数据，在经济效率和绩效方面获得了提高。

据ABI研究报告，预计2017年到2023年基于在智能制造中使用度学习工业视觉技术将以20％的年增长率增加，这样在2023年将达到34.000亿。

报告还表示，传统的计算机视觉具有易于实施的优点，并且通常用于质量控制、安全检查、预测性维护和工业监控。然而，它们的能力存在很大的局限性，因为它们在很大程度上取决于预编程的规则和标准，这些规则和标准允许有限的功能范围。鉴于此，“机器学习”的应用允许更大的灵活性，因为通过使用收集的信息进行改进，可以更灵活地更新。

在深度学习工具的部署当前，硬件加速和应用的普及推广非常关键。随着开源人工智能框架（如TensorFlow，Caffe2和MXNet）的扩展减少了进入障碍。这类工具可以使用“数据中心”基础设施和软件包，大大扩大了它们在工厂使用的各种选择，同时也避免了对供应商的依赖。基于“机器学习”为基础的计算机视觉不仅可以收集摄像机的数据，而且还收集了雷达或Lidar系统等传感器的数据，从而丰富了对整个生产过程的了解，使其更为详细。

虽然传统的视觉仅限于检测产品缺陷和人工可以界定的质量问题，但是在机器视觉中应用深度学习可以获得更大进步，允许检测产品缺陷异常或意外变化，增加了灵活性，可以为制造商获取更多有价值的信息。

更多是视觉资讯尽在“新机器视觉”微信公众号~