本文版权为《邮电设计技术》所有，如需转载请联系《邮电设计技术》编辑部
摘要：在数字化浪潮的驱动下，5G、MEC、云计算、AI等新兴技术手段不断与制造业融合，并逐步走向应用推广。视觉检测是工业生产的重要环节，针对格力工业视觉检测需求，设计了基于5G的工业AI视觉检测系统，并对系统的工作原理、架构、功能及系统在实际生产环境下的测试结果进行了详细介绍。最后结合智能制造产业升级和5G技术的推广与发展需求对系统应用前景进行了价值分析。
关键词：智能制造；视觉检测；AI；5G；MEC
doi：10.12045/j.issn.1007-3043.2021.04.015
概述
机器视觉检测是指利用机器替代人工实现检测和判断。典型的机器视觉检测系统包括相机、镜头、光源、工控机、图像处理系统、执行机构、被测物等。其检测原理是通过相机对被测对象进行图像拍摄，然后将图像数据传送至图像处理系统。图像处理系统通过检测算法对图像进行特征提取、识别，输出检测结果并执行相应操作。机器视觉检测在工业领域具有广阔的市场空间，主要应用场景包括目标检测（如对产品外观瑕疵检测、对产品零部件的有无检测等）、目标识别（如文字识别、颜色识别等）、目标定位（如PCB 加工定位、标签定位等）和目标测量（如对指针仪表的长度、角度测量、对零部件的尺寸测量等）。
传统方式的机器视觉检测主要以人工特征提取、分类、识别为主，检测方法具有针对性，系统鲁棒性差。常见的处理方法包括如图像灰度处理、滤波算法、图像算数、图像二值化、霍夫变换等。随着人工智能技术的不断发展，以神经网络为代表的深度学习技术正逐步应用在机器视觉领域。深度学习利用机器模仿人类思考，实现对图像的理解，被用来解决复杂场景的模式识别。其典型应用领域包括目标检测、图像分类、图像分割等。与传统方式相比，深度学习可以在训练过程中自学习相关属性，省去特征工程环节，识别精度更高、更加灵活。但是对硬件的内存和计算能力要求较高，通常需要额外的硬件投入。此外，在应用开发过程中，需要收集大量的样本数据进行模型训练以提高模型精度。虽然机器学习相对于传统方式有诸多优势，在实际工业应用场景中，既需要基于深度学习的视觉检测，又需要传统的视觉检测方式。如对表计尺寸的测量、条码识别等场景，传统方式简单而高效，使用机器学习方法则费时费力。
通过在 5G 试点项目的大量实地调研发现，工业企业在现有视觉检测应用上存在诸多不足，具体表现在以下4个方面。
a）部分企业采用传统方式依靠人眼做视觉检测，存在效率低，漏检率高等问题。
b）部分企业采用一体化智能工业相机做视觉检测，但单点设备成本高，不适合规模应用，且无法有效管理。
c）部分企业采用基于云端的视觉检测系统，存在响应慢、数据安全性低等问题。
d）企业缺乏 AI 视觉相关专业技术人员，难以满足视觉检测项目建设需求。
基于上述分析，认为支持多场景应用、平台化的视觉检测系统是工业视觉的重要发展方向。随着互联网+制造业转型升级步伐的不断推进，5G、AI、大数据等高新技术手段将为工业视觉检测技术的发展注入新动能，推进工业视觉检测技术变革。
