傳統的缺陷檢測方法面臨許多降低過程質量的挑戰。將深度學習算法應用于捕獲的視頻信息可以提高識別不符合預定義標準的對象的速度和準確性。盡管深度學習是一種相對較新的缺陷檢測解決方案，但它可以將解決方案的范圍從簡單的缺陷檢測擴展到缺陷類型的分類。通過訓練深度學習網絡來識別缺陷類型，可以根據對象的嚴重程度（例如缺陷大小）自動路由對象。在這個英特爾? OpenVINO ?示例中工具包，我們將看一個簡單的例子，說明如何使用視頻圖像根據物體的表面積確定物體是否有缺陷。

對象大小檢測管道

在之前的博客文章中，我們看到了使用攝像機捕獲的圖像進行人臉和車輛檢測的示例。在此應用中，我們將研究一種不同類型的檢測，使用深度學習來識別傳送帶上的物體、測量其表面積并檢查缺陷。

圖 1顯示了對象大小檢測管道。讓我們探索這個管道和發生的活動。

圖1：對象尺寸檢測流水線圖說明了 OpenVINO? 工具包的此應用程序如何處理圖像以根據對象的表面積確定對象是否存在缺陷。（來源：作者）

此圖像處理應用程序使用安裝在傳送帶上方的攝像機捕獲的圖像。卷積神經網絡 (CNN)——一種圖像處理深度神經網絡——處理捕獲的圖像以確定是否存在物體。首先，CNN 識別對象是否在捕獲幀中。如果存在對象，CNN 會繪制一個邊界框并計算對象占據的區域。然后，根據預定義的可接受約束檢查該區域。如果對象大于或小于預期，則傳達缺陷指示。

圖 2顯示了 OpenVINO ?工具包的對象大小檢測應用程序的輸出。請注意，在此示例中，CNN 找到了對象并對其進行了界定以計算其面積。

圖2：物體尺寸檢測器輸出屏幕顯示了檢測到的物體的計算面積示例。（來源：英特爾）

示例應用程序還說明了消息隊列遙測傳輸 (MQTT) 協議的使用，該協議將區域信息傳送到工業數據分析系統。

為什么這很酷

缺陷檢查是一項單調的任務，并且容易因檢查員而出錯。使用深度學習來檢查零件可以讓人們騰出時間去做更有用和更有創意的工作，同時提高缺陷分類的效率。在這個簡單的示例中，零件的區域用于確定是否存在缺陷，但深度學習可以應用于更高級的模型，以檢查各種類型的缺陷并相應地對其進行分類——例如，返工或打撈。當與功能強大的硬件配對時，例如基于第 6代Intel ? Core ?處理器的硬件或由 Intel Movidius ?提供支持的 Intel Neural Compute Stick 2X VPU，可以獲得令人印象深刻的推理速度，從而實現實時分析。

改編這個例子

計算傳送帶上物體的面積在各種環境中都很有用。以水果和蔬菜的分類過程為例。傳統的水果和蔬菜分類方法可能會導致瘀傷。因此，在處理這些物品時需要非常小心。通過將此示例應用于農產品行業，可以根據水果和蔬菜的大小（面積）和顏色對其進行檢查和路由。深度學習還可以通過查看更多的評分特征來擴展現有方法。

M. Tim Jones 是一位資深的嵌入式固件架構師，擁有超過 30 年的架構和開發經驗。Tim 是多本書籍和多篇文章的作者，涉及軟件和固件開發領域。他的工程背景從地球同步航天器的內核開發到嵌入式系統架構和協議開發。

審核編輯黃宇