使用 OpenVINO™ 工具套件进行物体尺寸检测

传统的缺陷检测方法面临许多降低过程质量的挑战。将深度学习算法应用于捕获的视频信息可以提高识别不符合预定义标准的对象的速度和准确性。尽管深度学习是一种相对较新的缺陷检测解决方案，但它可以将解决方案的范围从简单的缺陷检测扩展到缺陷类型的分类。通过训练深度学习网络来识别缺陷类型，可以根据对象的严重程度（例如缺陷大小）自动路由对象。在这个英特尔® OpenVINO ™示例中工具包，我们将看一个简单的例子，说明如何使用视频图像根据物体的表面积确定物体是否有缺陷。

对象大小检测管道

在之前的博客文章中，我们看到了使用摄像机捕获的图像进行人脸和车辆检测的示例。在此应用中，我们将研究一种不同类型的检测，使用深度学习来识别传送带上的物体、测量其表面积并检查缺陷。

图 1显示了对象大小检测管道。让我们探索这个管道和发生的活动。

图1：对象尺寸检测流水线图说明了 OpenVINO™ 工具包的此应用程序如何处理图像以根据对象的表面积确定对象是否存在缺陷。（来源：作者）

此图像处理应用程序使用安装在传送带上方的摄像机捕获的图像。卷积神经网络 (CNN)——一种图像处理深度神经网络——处理捕获的图像以确定是否存在物体。首先，CNN 识别对象是否在捕获帧中。如果存在对象，CNN 会绘制一个边界框并计算对象占据的区域。然后，根据预定义的可接受约束检查该区域。如果对象大于或小于预期，则传达缺陷指示。

图 2显示了 OpenVINO ™工具包的对象大小检测应用程序的输出。请注意，在此示例中，CNN 找到了对象并对其进行了界定以计算其面积。

图2：物体尺寸检测器输出屏幕显示了检测到的物体的计算面积示例。（来源：英特尔）

示例应用程序还说明了消息队列遥测传输 (MQTT) 协议的使用，该协议将区域信息传送到工业数据分析系统。

为什么这很酷

缺陷检查是一项单调的任务，并且容易因检查员而出错。使用深度学习来检查零件可以让人们腾出时间去做更有用和更有创意的工作，同时提高缺陷分类的效率。在这个简单的示例中，零件的区域用于确定是否存在缺陷，但深度学习可以应用于更高级的模型，以检查各种类型的缺陷并相应地对其进行分类——例如，返工或打捞。当与功能强大的硬件配对时，例如基于第 6代Intel ® Core ™处理器的硬件或由 Intel Movidius ™提供支持的 Intel Neural Compute Stick 2X VPU，可以获得令人印象深刻的推理速度，从而实现实时分析。

改编这个例子

计算传送带上物体的面积在各种环境中都很有用。以水果和蔬菜的分类过程为例。传统的水果和蔬菜分类方法可能会导致瘀伤。因此，在处理这些物品时需要非常小心。通过将此示例应用于农产品行业，可以根据水果和蔬菜的大小（面积）和颜色对其进行检查和路由。深度学习还可以通过查看更多的评分特征来扩展现有方法。

M. Tim Jones 是一位资深的嵌入式固件架构师，拥有超过 30 年的架构和开发经验。Tim 是多本书籍和多篇文章的作者，涉及软件和固件开发领域。他的工程背景从地球同步航天器的内核开发到嵌入式系统架构和协议开发。

审核编辑黄宇