成本上涨近10倍 深度学习如何让传统机器视觉企业买单？

电子发烧友报道（文/黄山明）随着当前工业制造技术的高速发展，机器视觉技术已经逐步成为工业自动化生产过程中不可或缺的关键组成部分。从功能上看，机器视觉的主要作用是利用机器替代人眼，通过机器的视觉能力，实现对物体的识别、检测、测量、工业机器人的定位引导等功能。

从技术角度来看，传统的工业视觉通过高分辨率图像对物体进行检测或识别。那么是否可以结合人工智能技术，让机器视觉变得更加智能，更加精准呢？答案显然是可以的，并且已经有许多厂商在这条道路上快速前行。

据国内公开数据统计，2018年中国机器视觉行业销售总额为83.9亿元，比上年同期增长21.6%；研发投入增长至11.7亿元，同比增长32.8%。据专业调研机构Grand View Research的预测，到2025年，全球机器视觉市场空间将超过180亿美元，年均复合增速7.7%，快速增长的市场也吸引了诸多玩家投身其中。

深度学习让机器视觉定义缺陷更快速

以外观缺陷检测为例，传统的工业视觉需要由专业的人员对机器进行大量的调试，繁复的调试工作不仅需要大量的工时，同时还需要品管人员进行反复的校核，最终进入产线检测。而将深度学习与传统视觉相结合，将极大地优化作业流程。

康耐视华南区销售经理刘墨在接受电子发烧友采访时称：“与过去的机器视觉技术不同的是，传统机器视觉在前期需要做许多参数的调试，而深度学习的机器视觉是做一种定义的判断，根据给出样品照片为产品的缺陷下一个定义。”

深度学习工具|康耐视

与传统视觉一个明显的区别就是，只要有足够的数据，深度学习的机器视觉可以极大缩减前期调试工作的时间，只需要将数据输入给机器，就能由机器完成建模，以及形成对缺陷的认知。

刘墨表示：“康耐视是一家专注于机器视觉的公司，因此在深度学习具有一定优势，一个是训练样本的数量并不需要太大，单个类型的缺陷（如划伤、压痕），仅需要20张左右的图片训练就能够完成初步识别；此外，在训练时间上，康耐视也有一定优势，过去一家拥有8000张图片素材的客户，训练只花费了20分钟左右，而许多厂商的做法是今天晚上将图片输入进去，第二天早上再来看结果。”

不过这样会产生一个问题，即识别样品较少，只能让机器初步对某个缺陷产生认知，但这个认知并不完善。深圳市深视创新科技有限公司大客户经理武栓弟表示：“大多数采用深度学习的机器视觉公司，都能用少数的图片完成识别，并出具初级报告，但要达到很好的识别效果，还需要更多的样品照片训练才行。”

刘墨也表示，如果要机器视觉达到较好的识别，除了需要足够的样品照片训练之外，检测结果还需要与品管进行对照，来加强准确性。

将深度学习应用在传统视觉上的优点显而易见，可以节省大量前期准备工作，同时不用更改结构，准备好数据投喂即可。当然，缺点同样在于数据，尽管用少量的样品图片就能够完成机器的识别，但想要获得较好的识别效果，也必须准备足够的样本才行。

成本将近10倍 深度学习为何这么贵？

对于工业制造而言，一项成熟的技术除了能够提高生产效率外，还需要降低成本，这才能得到快速的推广。那么具体到深度学习的机器视觉技术而言，其表现又如何呢？

刘墨认为，成本是相对的，同时这项技术的出现也主要是为了替代人工，行业内通常是一年半可以收回成本，而康耐视解决方案的成本，可以在一年内收回。

从具体的价格来看，据武栓弟透露，一套不含生产线的深度学习机器视觉解决方案价格在16万元左右。但一套传统的机器视觉检测方案价格是多少呢？据深圳市倍诺自动化设备有限公司副总经理瞿剑飞表示，一套普通的机器视觉方案价格在2万以内。

为何深度学习解决方案价格会高出这么多？一个是开发过程需要基于工具的规则变成与基于实例的培训，同时在硬件投入上，深度学习需要更多的处理和存储。

工业图像缺陷样本管理系统|深视创新

当然，贵有贵的好处，深度学习可以在没有明确编程的情况下解决特定任务。以产品划痕缺陷检测为例，传统视觉中对于这种检测需要进行严格的定义，通过设定不同的尺寸来看机器判断什么是划痕，而深度学习系统可以通过数据的喂养，识别出不在喂养数据之内的划痕缺陷。

此外，对于传统机器视觉而言，检测具有复杂表面纹理和外观变化的视觉相似部件是一个困难的挑战。同时检测现场还存在多个变量，如光照、颜色变化、曲率等，一些缺陷检测用传统的机器视觉很难做到，而深度学习为解决这些问题带来了可能。

传统机器视觉检测在面对这些问题时，需要不断的进行调试，以及外部环境的配合，检测准确率的提升是一个繁琐的工作，但通过深度学习，只需要持续的进行样品数据的训练，便能不断的提高机器视觉检测的准确度。

不过瞿剑飞也提出了一个观点，虽然深度学习可以帮助企业更好的解决传统机器视觉的检测难点问题，但这些问题很多可以通过外部调试进行完善，比如可以通过加强光照解决现场灯光复杂的问题。而对于企业而言，很难完全利用到深度学习中的所有功能，那么对于这个企业而言，那些多余的功能就是一种浪费。因此，选择深度学习还是传统机器视觉，需要企业自己去衡量。

深度学习能替代传统机器视觉吗？

需要注意的是，深度学习并非适合所有检测场景，如在流水生产线中，产线不停的情况下进行快速检测。刘墨表示这种情况可以使用传统机器视觉方案解决。

广东广源智能科技有限公司便是一家通用智能高速机器视觉平台，据其销售工程师王吕森介绍，其平台正是适用于产线高速机器视觉检测的，不过高速检测必须具备几项条件，一个是缺陷种类少，另一个是产品形状规范，如对塑料瓶的检测。

王吕森表示，他们也尝试过深度学习的机器视觉，但发现其中还存在一个问题，深度学习可以快速形成对缺陷的认知是建立在大量数据的基础上的。但对于许多企业而言，前期缺陷数据的收集比较欠缺，这时就需要厂商进行协助。

刘墨对此还举了一个案例，今年疫情期间，某家LED芯片半导体公司返工困难，质检人员稀缺，为厂商带来了极大地困难。康耐视通过深度学习产品，陪同客户在现场做了将近一个月的验证，对放大200倍的芯片图片进行分析判断，成功的将之前由人工判断的缺陷检测出来，而且检测稳定性远远高于人工。

特殊时期可以理解，但对于普通工厂而言，如果要求原厂派人员在现场进行长时间的调试，其成本显然不低。

对此，武栓弟提出，可以通过多设备联机质检进行大数据分析，即采用联网的方式，能有效节省人力成本。但这种情况只适用于可以联网的深度学习机器视觉设备中，而对于不可联网的设备，只能由工程师进行现场调试。

刘墨提出了一个较为完善的解决方案，即厂商自己学习建模，检测新的产品。康耐视也倾向让客户自己学习，一个是客户对自己的工艺更加熟悉，可以更准确的把握自己的需求。另一个则是厂商可能在生产中产生一些随机的要求，设备商可能需要时间前往现场才能满足客户的相关需求，但客户如果能够熟悉产品能够自己很快的进行重新调试。

此外，深度学习的机器视觉并不针对单一产品。武栓弟表示，深度学习最大的优势便是体现在其灵活性上。通过重新建模，可以很快将这套设备应用到其他产品的检测当中。

从这一点来看，对比传统机器视觉，深度学习可以通过训练，很快适应新产品的检测，意味着买一套方案可以适应所有的解决场所，这是过去很难做到的。但针对特殊场景，如生产线的快速检测，还是传统视觉的强项。可以认为深度学习是过去机器视觉的有利补充，双方并非替代的关系。

小结

总体而言，深度学习是机器视觉的一种延伸。企业向智能工厂的转变推动了机器视觉的发展，而对检测提出更高的要求，加上如今电脑技术的发展，让深度学习有了用武之地。需要注意的是，传统机器视觉与深度学习是互补而非替代的关系，深度学习的出现，可以为厂商带来最重要的差异化以及更丰厚的利润，在传统机器视觉已经高度成熟的今天，新的可行性技术也意味着新的财富密码。

本文由电子发烧友原创，未经授权禁止转载。如需转载，请添加微信elecfans999。