煅造视觉检测的“火眼金睛”，Sherlock8可助一臂之力

随着人工智能（AI）技术的飞速发展，机器视觉行业正在迎来新一轮技术变革。作为人工智能应用的主战场，机器视觉是实现工业自动化和智能化的关键核心技术，是推进工业4.0及智能制造发展的重要技术支撑。

工业生产环节流程繁多，工序复杂，从一小块零件到最后组装成成品，再到打包交付的整个过程中，有一道至关重要的环节，即产品质量检测。传统人工检测，往往效率低下、误检率高，且很难保证一致性与稳定性，同时对质检人员经验要求和职业技能素养要求较高。

随着视觉技术的发展和应用场景的深入，机器视觉已经成为制造行业的标配。在具体应用中，采用传统视觉算法的企业不在少数，相较于人工检测，传统视觉算法在检测效率上及成本优化方面固然有明显优势，但在缺陷检测方面却难以有质的飞跃。

面对复杂多变的生产环节、多种多样的检测对象，检测环节往往会出现很多意想不到的画面，例如，当缺陷与背景难以区分时；当坏的产品缺陷或瑕疵与好的产品只有微小或细微的差别时；当背景纹理复杂，对检测算法产生噪声干扰时等状况，这些都会触及传统视觉算法的“知识盲区”，从而影响它的判断和处理。

针对规模庞大、情况复杂的检测和识别任务，让机器自己学习才是最优解。将深度学习算法引入机器视觉系统有效地解决了上述传统视觉算法的痛点，训练有素的AI视觉检测系统不仅可以做到缺陷检测，并且效率及正确率更高，极大地提升了制造业柔性化水平，受到越来越多行业的关注和重视。

那么，有了AI加持的机器视觉究竟是如何做到快速、高效、精准的检测呢？

基于AI的视觉检测主要依赖于人工智能的两大优势：计算机视觉和深度学习。AI可通过深度学习适应各种环境，使其适用于广泛的行业，它具有无限的潜力，可以快速开发以满足制造商的需求。

之所以AI视觉检测能够做到比人眼更高效，是因为基于AI“大脑”中储存了大量的信息，强大的计算能力可以快速解析捕获的可用数据。该系统可以对照片和视频中的对象进行分类，并执行复杂的视觉感知任务，如搜索图像和字幕、检测物体、识别和分类等。

例如，针对汽车行业的视觉检测，需要专门针对该行业开发出一套基于深度学习的算法，并使用它必须检测的缺陷示例对其进行训练，直到它储备了足够多的数据，足以支撑其神经网络在没有任何额外指令的情况下自主检测出缺陷。

从技术的角度来说，AI落地工业，需要的不仅仅是深度学习和图像处理技术，还需要配套软件算法的支持，帮助AI检测系统高效精准地应对不同行业、不同产品的缺陷特点，缩短算法模型的开发周期，快速落地部署。可以说，计算机视觉和深度学习背后的软件算法平台是整个视觉检测系统的核心所在。

在机器视觉与软件算法融合方面，全球知名的视觉方案提供商Teledyne DALSA结合多年的技术积累和落地经验，在AI视觉检测领域拥有丰富的行业Know how。Sherlock8是Teledyne DALSA推出的最新一代AI (深度学习）视觉检测软件。AI检测的高精度需要丰富的传统视觉算法的补充，强大的Sherlock8 视觉平台对AI检测提供了完美的支撑。

技术优势

1

Sherlock8 灵活的模块化平台、多线程平行处理，支持线扫、面阵、3D及红外线相机；具有业界少有的几个最丰富视觉算法的视觉平台，兼容几乎所有工业通讯标准，支持VB、VC及C++。

2

Sherlock8 包含 Astrocyte AI Trainer 培训器，具有Classification分类、Anomaly异常、检测Detection、分割Segmentation多种深度学习的神经网络架构，已适用于不同场景检测。

1、功能优势

●  极少的图片就可以进行有效异常培训；

●  可以对新的图片在Sherlock8里直接进行连续培训，之前培训过的图片无需再培训，极大节省了时间；

●  分割架构里有丰富的图绘工具，简易省时；

●  自动生成超级参数配置，方便无经验用户；

●  详细的诊断报告，简化问题查找；

●  灵活的Sherlock8平台，加强了程序灵活度和控制，提高了检测精确度，避免陷入过度培训的泥潭。

►►►应用案例

将多向照明与先进的软件算法相结合，消除噪声或颜色等表面背景效应，并生成一个聚焦于与检测最相关的特征的图像。然后可以使用标准的Sherlock视觉工具检测该图像。

01、从轮胎侧壁提取凸起字符

02、从金属齿轮上提取冲压字符

03、从包装表面提取盲文标记

04、提取条形码中的日期和批次字符

Sherlock8作为一种快速应用程序的开发工具，目前已助力视觉系统广泛地应用于3C制造、汽车、物流、印刷纺织、新能源等各个行业，全面推动智能制造向更高水平发展。未来，Teledyne DALSA将凭借与时俱进的先进算法能力和软硬一体化的解决方案为行业发展持续赋能。

微信扫一扫实时了解行业动态

微信扫一扫分享本文给好友