“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。