为机器视觉和深度学习系统的成功照明道路

尽管机器人在工业自动化领域中引起了许多关注，但机器视觉仍然是全球各种类型企业的必不可少的技术，因为它们能够分析图像，提取有用的数据并作为过程的一部分做出决策。

随着最终用户需求的扩展和更改的加班，机器视觉技术提供商已采用将机器视觉系统提升到新高度的技术，包括深度学习技术。虽然当它首次全力以赴地进入现场时，但深度学习已成为工业自动化领域的宝贵工具。尽管如此，就像机器视觉一样，要利用深度学习软件的系统需要高质量的图像才能取得成功，这需要最佳的系统设置。

在劳动困境中自动化

2024年，预计全球制造经济将看到最小增长为0.6％，根据市场情报公司的互动分析。但是，长期前景提供了更加乐观的，但是，随着互动分析预测2025年的改进，持续到2028年。但截至2024年9月，美国劳工统计局的数据显示，美国有740万个职位空缺，而美国仍存在着740万个职位。有680万人失业，表明即使美国所有失业者都发现工作，也将有超过50万个工作岗位开放。

在这种持续的劳动力短缺之中，工业自动化对于希望在现在和未来保持竞争力的制造商至关重要。这样一来，机器视觉和人工智能（AI）等技术将在未来几年内看到采用的增长。实际上，许多报告表明这一点。从2022年到2028年，机器视觉市场预计将看到大约6.4％的增长，这是由于新应用以及新供应商的涌入所推动的。AI还在工业领域继续蒸蒸日上，因为有72％的受访者在麦肯锡AI调查表明他们在至少一个业务职能中采用了AI。

如今，制造商可以以比以往任何时候都能以更便宜的成本获得更多的工业自动化工具，并且其能力继续增长。深度学习是AI子集，已成为机器视觉库中特别有价值的工具。但是，无论机器视觉系统及其子组件和技术的功能如何，所有系统仍然需要适当的规范，设计和设置。例如，如果没有适当的照明，就无法获得高质量的图像。

最佳机器视觉照明示例

不同类型的机器视觉应用需要不同的照明设置。最佳照明设置必须突出显示相对于背景所检测到的功能，并且必须有助于创建可重复的图像，而不论零件或产品变化如何。例如，图1显示了具有两个不同照明设置的同一部分。在左侧，是带有暗场环灯捕获的斜齿轮的良好图像，而右侧的图像显示了用线性深色场设置捕获的图像齿轮。左侧的图像显示出足够的对比度，使软件可以清楚地看到齿轮的牙齿，并直接在零件上打印。

常见机器视觉应用及其最佳照明的一些其他示例包括：

测量和测量：如今，许多过程都需要对零件或产品的精确测量，或对象上两个或多个点之间的距离。为了进行测量和测量应用，背光在产品的一部分后面创建了黑色轮廓，以提供足够的对比度和清晰的边缘。

网络检查：在网络检查应用程序（例如纸张或纺织品检查）中，系统必须不断检查快速移动的材料。这些应用程序通常使用线条扫描摄像机，这些扫描摄像机需要专门的线扫描灯，这些扫描灯可提供高频的强烈明亮的光线，以避免闪烁。

扫描隧道：部署在物流和仓储设施中的扫描隧道系统以高速读取条形码，以提供跟踪和跟踪功能，同时增加分类和入站/出站操作吞吐量。虽然某些隧道可能会用内置照明部署条形码读取器，但基于相机的扫描隧道需要高功率的条/线性灯来照明以高速移动的盒子或包裹。

更复杂或专业的机器视觉系统还需要特定的照明实现。例如，基于柔性的柯博特检查可以使用多功能灯，以避免在检查类型之间的灯光（图2）中不得不改变灯光，而食物检查应用程序可能需要短波红外，洗涤灯或两者兼而有之。无论应用如何，所有机器视觉系统都需要适当的照明，包括深度学习。

不良照明繁殖坏AI

今天的深度学习是一种强大的工具，在许多机器视觉应用。该技术可以帮助填补基于规则的算法在包括光学特征识别，组装验证，图像分类，缺陷检测等领域所无法满足的空白。在深度学习应用中找到成功涉及彻底的应用分析和正确的系统设置。据说，如果深度学习模型中只有10％的数据不准确，则在事实涉及三倍的数据之后，优化了该模型。结果，确保由高质量图像组成的数据集用于编程模型非常重要。结果，再次需要一个最佳的照明设置。

不正确的照明使系统的可靠性和成功处于危险之中，机器视觉摄像机和软件算法无法弥补任何类型的应用程序，甚至深入学习中的照明技术不足。陈词滥调可能到现在为止，垃圾进口，垃圾仍然是正确的。如果您期望在不良图像上训练深度学习模型，那么深度学习解决方案将无效。仅仅依靠环境照明并与应用程序不匹配正确的照明设置可能会导致光污染，质量差的图像以及流行的格言中提到的垃圾。

为应用程序选择正确的照明归结为了解系统需要捕获，检查或检测的内容。不同的照明设置将产生截然不同的图像，因此照明和产生的效果必须符合应用程序的需求。较差的照明配置将产生不良的特征提取和不良的深度学习模型，这将导致缺陷和物体或特征的身份混淆。

最终，不同的光表示不同的图像。图4显示了相同的火花塞间隙工具，但具有不同的照明设置：前照明，漫射照明，明亮的场照明，深色场照明，低角度的黑暗磁场照明和背光。例如，尽管背光图像非常适合测量工具的直径，但对于表面缺陷检测应用程序，这实际上是无法使用的。

在开发成功的深度学习应用程序时，人类专业知识也发挥了重要作用。最终，没有算法可以克服不良照明，因此，通过专注于数据，更聪明，更努力地工作。在这种情况下，数据是指由人类主题专家标记和分类的高质量图像，因为最终，深度学习软件创建了一个数学模型，该模型具有有关非常小的图像变化和其他指标的数据，并使用了其他指标来确定人类专家如果零件或产品通过或失败。然后，该模型可以检查新零件或产品的质量，并像人类一样随着时间的流逝而学习，这正在从经验和重复成功的操作中获得新知识。从本质上讲，必须确保数据清楚地显示AI需要学习的内容，尽管今天有修辞学，但为此需要进行最佳的照明设置。

没有留下最后的照明

在开发具有或没有深度学习软件的机器视觉系统时，从照明的角度来看，创建高质量图像的要求保持不变。选择正确的光涉及许多不同的考虑因素。因素取决于单个应用，但通常包括光结构，位置，扩散和颜色。大多数情况下，应用程序需要进行照明设置，以最大程度地利用感兴趣的功能与一致的背景之间的对比度，而其他应用程序则需要不同的照明设置。

无论应用如何，都不要等到设计过程结束直到考虑照明，这可能会导致系统设计中的物理局限性。取而代之的是，从一开始就考虑所需的视觉系统或深度学习成果，并确保相对于相机，在正确的位置安装了照明。在所有情况下，请记住，通过机器视觉和深度学习系统取得成功，最佳照明是不可行的。