“隔行如隔山”？

傳統意義上，機器視覺、人工智能與自動化專業似乎有點“隔行如隔山”的感覺。即使今天機器視覺的應用快速的增長，但對于大部分自動化、電氣工程、機電一體化專業出身的工程師而言，機器視覺，尤其是AI功能的機器視覺仍然有一種“不明覺厲”。

但對貝加萊而言，在其機器視覺產品設計的時候，就要打破這一隔閡。首先，其“集成機器視覺”這一理念就將原有的相機、鏡頭、光源分離的狀態給“集于一體”-降低了在硬件意義的難度。其次，在軟件的意義，即，工程（Engineering）開發的絕度，也通過“配置”而非“編程”的思想來設計開發過程，以降低工程師的應用復雜性。

AI相機產品

在貝加萊最新的AI相機中，采用了26TOPS的算力。它使得深度學習（Deep Learning）的應用可以被快速的應用于項目中。

圖1-AI相機

繼承“集成機器視覺”理念，光源、相機、AI圖像處理、實時通信集于一體。

設計理念

讓普通工程師能用好深度學習相機

深度學習（Deep Learning）是一個在復雜環境中關于圖像處理和分析的高級應用方案。機器視覺的復雜性在于被測物體本身的光學特性、光源、頻閃等的變化，以及在處理信號中選擇合適的訓練方法，以及為這些模型訓練進行的參數調校。這兩個方向都與傳統自動化專業的人知識體系相去甚遠。

但是，現場的自動化工程師可能在圖像和AI方面欠缺訓練，但對于整個機器的控制、被測對象的物理特征、以及處理這些缺陷的其它機電動作（如邏輯、伺服系統、機器人等的配合）的整個邏輯是比較了解的。

因此，自動化工程師如果有一個能夠比較易用的，僅通過配置即可實現的工具的話，對于整個工程項目的開發，就能“事半功倍”。

而貝加萊就是這樣設計系統的—正所謂“工欲善其事，必先利其器”，工具就是效率。

案例

利用AI相機實現缺陷分析的幾個步驟

我們以機器視覺中較為復雜的“缺陷檢測”為例—如圖2，對整個AI相機的應用進行介紹。大的步驟主要是四個步驟，其中第一個步驟分為四個小的細節過程。

圖2-整個機器視覺的應用流程

第一步：樣本采集與訓練

第一步主要是進行系統配置和圖像采集與訓練。

1、配置參數：在mappVISION中對關鍵的拍照相關參數進行配置，如視距（FOV）、頻閃、關注區域的配置；

2、拍照：配置參數將通過PLC/PC下載到相機中，進行拍照；

3、構建樣本庫：采集足夠多所需的良品/不良品照片；

4、模型訓練與優化：基于樣本特征調整優化算法模型，提升檢測準確性。

這個深度訓練的過程，可以通過MVTec DLT插件進行，通過對圖像的標注、訓練、評估。

在這個過程中，工程師針對視覺的各個配置都是可選的，特征、訓練、評估，以“指南”性質逐步完成，無需深入的視覺或深度學習知識，即可實現對圖像的處理與訓練。

圖3-MVTec DLT深度學習圖片訓練

MVTec DLT是一個用戶友好的工具，它使得工程師通過預設參數，快速正確使用深度學習模型。而經過訓練好的模型，則可以通過導出，直接到Automation Studio中。

第二步：模型部署

5、經過深度學習訓練的模型，可被導入至Automation Studio中，并被下載至AI相機中。該AI相機內部由HALO的AI加速器，它能26TOPS的算力支持高速的本地快速推理。

第三步：實時在線檢測

6、在相機的本地，可以直接檢測到圖片后，依據其學習到的能力，即可直接對產品進行缺陷智能識別，并無需PLC額外處理，并將結果輸出給PLC進行處理。

第四步：系統聯動控制

貝加萊的機器視覺可以被理解為PLC/PC的一個“傳感器”，它也同樣通過POWERlink實時網絡，可通過交叉通信的方式實現協作。

7、外部協作：它即可以與I/O邏輯配合，也可以與機器人、柔性輸送軌道聯動控制，例如實現剔除、檢出，或通過柔性輸送系統送至“NG區”等動作。同時，它可以作為缺陷數據被記錄，作為后續根源分析的數字依據。

機器視覺本質就是個傳感器—你就把它當個傳感器來用而已。

AI相機的應用場景

a 機器視覺的缺陷分析

b 識別與分類應用

c 撿取導引應用

d 表面缺陷

e 視覺圖像定位與套色應用

歡迎訪問貝加萊“學習社區”

想學習貝加萊機器視覺的課程，請訪問“貝加萊社區”小程序，注冊登錄即可學習！

學習社區由貝加萊資深工程師針對專題開課，學習機器視覺，增強您的工程實力。