機器視覺檢測發(fā)展歷程

機器視覺是指利用相機、攝像機等傳感器，配合機器視覺算法賦予智能設(shè)備人眼的功能，從而實現(xiàn)物體的識別、檢測、測量等功能。簡單說來，機器視覺就是用機器代替人眼來做測量和判斷。機器視覺是計算機視覺的一個微小分支，是一個非常新穎并且發(fā)展十分迅速的研究領(lǐng)域，自起步發(fā)展到現(xiàn)在，已有三十多年的發(fā)展歷史，而且作為一種應(yīng)用系統(tǒng)，隨著工業(yè)自動化的發(fā)展而逐漸完善。

機器視覺是一種非接觸的測量方式，在一些不適于人工作業(yè)的危險工作環(huán)境或者人工視覺難以滿足要求的場合，常用機器視覺來替代人工視覺，而且在大批量重復(fù)性工業(yè)生產(chǎn)過程中，用機器視覺檢測方法可以大大提高生產(chǎn)的效率和自動化程度。進入21世紀以來，機器視覺技術(shù)發(fā)展迅速且開始大規(guī)模地應(yīng)用于多個領(lǐng)域。按照應(yīng)用的領(lǐng)域，機器視覺可以劃分為智能制造、智能生活兩類，比如工業(yè)探傷、自動焊接、醫(yī)學(xué)診斷、跟蹤報警、移動機器人、指紋識別、模擬戰(zhàn)場、智能交通、智能醫(yī)療、無人機與無人駕駛、智能家居等等。現(xiàn)在，機器視覺仍然是一個非常活躍的研究領(lǐng)域，與之相關(guān)的學(xué)科涉及：圖像處理、計算機圖形學(xué)、模式識別、人工智能、神經(jīng)網(wǎng)絡(luò)等。目前機器視覺在工業(yè)上的應(yīng)用主要有：測量、外觀檢測、條碼、字符識別、定位等。

人們從20世紀50年代開始研究二維圖像的統(tǒng)計模式識別。1965年，L.R.Roberts通過計算機程序從數(shù)字圖像中提取出諸如立方體、楔形體、棱柱體等多面體的三維結(jié)構(gòu)，并對物體形狀及物體的空間關(guān)系進行描述。其研究工作開創(chuàng)了以理解三維場景為目的的三維機器視覺的研究。人們開始對三維結(jié)構(gòu)進行了深入的研究，研究的范圍從角點、邊緣等待征提取，到線條、平面、曲面等幾何要素分析，—直到圖像明暗、紋理、運動、成像幾何等，并建立了各種數(shù)據(jù)結(jié)構(gòu)和推理規(guī)則。

70年代中，MIT人工智能實驗室正式開設(shè)“機器視覺”課程，1977 年，David Marr提出了不同于“積木世界”分析方法的計算機視覺(computational vision)理論，這就是著名的Marr視覺理論。從80年代開始，興起了全球性的研究熱潮，不僅出現(xiàn)了基于感知特征群的物體識別理論框架、主動視覺理論框架、視覺集成理論框架等概念，而且產(chǎn)生了很多新的研究方法和理論。無論是對一般二維信息的處理，還是針對三維圖像模型和算法的研究都有了很大的提高。90年代，機器視覺理論得到進一步的發(fā)展，開始在工業(yè)領(lǐng)域得到應(yīng)用，同時在多視幾何領(lǐng)域的應(yīng)用也得到快速的發(fā)展。

機器視覺系統(tǒng)的工作原理是：通過機器視覺產(chǎn)品（即圖像攝取裝置）將被攝取目標轉(zhuǎn)換成圖像信號，傳送給專用的圖像處理系統(tǒng)，得到被攝目標的形態(tài)信息，根據(jù)像素分布、亮度、顏色等信息，轉(zhuǎn)變成數(shù)字化信號；圖像系統(tǒng)對這些信號進行各種運算來抽取目標的特征，進而根據(jù)判別的結(jié)果來控制現(xiàn)場的設(shè)備動作。計算機視覺關(guān)注的目標在于充分理解電磁波（主要是可見光與紅外線部分）遇到物體表面被反射所形成的圖像，而這一過程便是基于光學(xué)物理和固態(tài)物理，解析圖像或視頻所表示的真實世界。

機器視覺的經(jīng)典問題是判定一組圖像數(shù)據(jù)中是否包含某個特定的物體、圖像特征或運動狀態(tài)，這一問題通常可以通過機器自動解決。但是到目前為止，還沒有某個單一的方法能夠廣泛的對各種情況進行判定：在任意環(huán)境中識別任意物體。現(xiàn)有技術(shù)能夠也只能夠很好地解決特定目標的識別，比如簡單幾何圖形識別、人臉識別、印刷或手寫文件識別、車輛識別等。而且這些識別需要在特定的環(huán)境中，具有指定的光照、背景和目標姿態(tài)要求。

在深度學(xué)習(xí)算法出來之前，對于視覺算法來說，大致可以分為以下5個步驟：特征感知、圖像預(yù)處理、特征提取、特征篩選、推理預(yù)測與識別。早期的機器學(xué)習(xí)中，占優(yōu)勢的統(tǒng)計機器學(xué)習(xí)群體中，對特征是不大關(guān)心的。特征或者視覺特征，就是把這些數(shù)值給綜合起來用統(tǒng)計或非統(tǒng)計的形式，把想識別或檢測的部件或者整體對象表現(xiàn)出來。深度學(xué)習(xí)的流行之前，大部分的設(shè)計圖像特征就是基于此，即把一個區(qū)域內(nèi)的像素級別的信息綜合表現(xiàn)出來，利于后面的分類學(xué)習(xí)。手工設(shè)計特征需要大量的經(jīng)驗，需要對這個領(lǐng)域和數(shù)據(jù)特別了解，并且設(shè)計出來特征還需要大量的調(diào)試工作。另一個難點在于，機器視覺工程師不只需要手工設(shè)計特征，還要在此基礎(chǔ)上有一個比較合適的分類器算法。同時設(shè)計特征然后選擇一個分類器，這兩者合并達到最優(yōu)的效果，幾乎是不可能完成的任務(wù)。

于是，學(xué)術(shù)界開始研究開發(fā)不需手動設(shè)計特征、不挑選分類器的機器視覺系統(tǒng)，希望機器視覺系統(tǒng)同時學(xué)習(xí)特征和分類器，即輸入某一個模型的時候，輸入只是圖片，輸出就是它自己的標簽。隨著深度學(xué)習(xí)迅猛發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)（CNN）的出現(xiàn)使得該設(shè)想得以實現(xiàn)，基于深度學(xué)習(xí)的計算機視覺研究發(fā)展迅速。LeNet在1998年提出了深度學(xué)習(xí)網(wǎng)絡(luò)的最初原型LeNet，輸入圖像是32×32的灰度圖，第一層經(jīng)過了一組卷積和，生成了6個28X28的feature map，然后經(jīng)過一個池化層，得到得到6個14X14的feature map，然后再經(jīng)過一個卷積層，生成了16個10X10的卷積層，再經(jīng)過池化層生成16個5×5的feature map。LeNet從最后16個5X5的feature map開始，經(jīng)過了3個全連接層，達到最后的輸出，輸出就是標簽空間的輸出。由于設(shè)計的是只要對0到9進行識別，所以輸出空間是10，如果要對10個數(shù)字再加上26個大小字母進行識別的話，輸出空間就是62。62維向量里，如果某一個維度上的值最大，它對應(yīng)的那個字母和數(shù)字就是就是預(yù)測結(jié)果。

2012年，Hinton課題組的CNN網(wǎng)絡(luò)AlexNet在ImageNet圖像識別比賽，一舉奪得冠軍。2014年牛津大學(xué)幾何視覺組的VGG網(wǎng)絡(luò)在ImageNet圖像識別比賽中奪冠，隨后GoogLeNet、ResNet分別在2014、2015年ImageNet圖像識別奪冠， 2016年歐洲計算機視覺大會上，南京大學(xué)魏秀參的DAN+模型在短視頻表象性格分析競賽（Apparent personality analysis）中奪冠，基于卷積神經(jīng)網(wǎng)絡(luò)的機器視覺已充分兌現(xiàn)了其發(fā)展?jié)摿Α?/span>

如今，深度學(xué)習(xí)已經(jīng)廣泛應(yīng)用于計算機視覺研究，人臉識別、圖像識別、視頻識別、行人檢測、大規(guī)模場景識別的相關(guān)論文里都用到了深度學(xué)習(xí)的方法，深度學(xué)習(xí)可以做到傳統(tǒng)方法無法企及的精度，這是其迅速興起的關(guān)鍵。2012年，深度學(xué)習(xí)在圖像識別領(lǐng)域有重大突破。目前計算機視覺在很多應(yīng)用領(lǐng)域達到了實用水平，催生了工業(yè)界的大量應(yīng)用。深度學(xué)習(xí)算法的通用性很強，基于深度學(xué)習(xí)的算法更加通用，此外，深度學(xué)習(xí)獲得的特征(feature)有很強的遷移能力。例如在ImageNet（物體為主）上學(xué)習(xí)到的特征在場景分類任務(wù)上也能取得非常好的效果。深度學(xué)習(xí)計算主要是卷積和矩陣乘，針對這種計算優(yōu)化，所有深度學(xué)習(xí)算法都可以提升性能，所以，深度學(xué)習(xí)的工程開發(fā)、優(yōu)化、維護成本低。另外，通過組合現(xiàn)有的層(layer)，我們可以實現(xiàn)大量復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)和一些算法，使其開發(fā)維護的成本進一步降低。

在現(xiàn)代化生產(chǎn)中，由于能夠最大程度地提高產(chǎn)品質(zhì)量、降低成本，機器視覺檢測一直被廣泛用于各類工業(yè)檢測項目上。而隨著工業(yè)制造技術(shù)和加工工藝的提高和改進，對檢測手段、檢測速度和精度提出的更高要求，也使得機器視覺檢測技術(shù)在各大行業(yè)建功無數(shù)，發(fā)展勢頭強勁。可以預(yù)計的是，隨著機器視覺技術(shù)自身的成熟和發(fā)展，機器視覺檢測技術(shù)將在現(xiàn)代和未來制造企業(yè)中得到越來越廣泛的應(yīng)用。