比亞迪電池焊后3D+AI視覺檢測
加入技術(shù)交流群
隨著3D相機在工業(yè)AI的普及，深度學習對3D點云和深度圖的分析方法也越來越多樣化。在3D計算機圖形中，Depth Map（深度圖）是包含與視點的場景對象的表面的距離有關(guān)的信息的圖像或圖像通道。其中，Depth Map 類似于灰度圖像，只是它的每個像素值是傳感器距離物體的實際距離。通常RGB圖像和Depth圖像是配準的，因而像素點之間具有一對一的對應關(guān)系，合成的四通道的圖像稱為RGB-D圖像。如下圖：
本文引用地址：http://m.ptau.cn/article/202310/452045.htm
在業(yè)內(nèi)，不少工作已經(jīng)將CNN引入在RGB-D圖像上的視覺任務上，這些工作中一部分直接采用4-channel的圖像來進行語義分割。我們可以將3D點云做正射糾正，生成對應的深度圖。再將2D圖像做同樣的仿射糾正，合成RGB-D圖像。我們可以壓縮數(shù)據(jù)量，將RGB圖像換成灰度圖，實際數(shù)據(jù)的通道數(shù)就只有兩個。在本項目的深度學習模型中，需要輸入是3通道，就要附加上全為0置的通道，而在Deep Learning的模型上增加通道注意力機制，能減少第三通道的計算。兩通道的圖片，在標注工具里，只有一個通道可見，而三通道圖片帶來額外的好處，在標注工具里是彩色的。
案例優(yōu)勢
深度學習和傳統(tǒng)算法分別都做不到0%漏判的情況下，如果互相結(jié)合，那么還是能夠做到0漏判。舉焊偏的例子，如下圖：
在毛刺不作為缺陷標準的情況下，Mark孔被毛刺遮蓋，用傳統(tǒng)算法就會得到焊偏的誤判。使用深度學習，無論是語意分割還是目標檢測，都能檢出部分Mark孔，達到0漏判。另外，用深度學習語義分割焊跡，效果穩(wěn)定，不受測量距離變動、亮度變化、亮邊的影響，分割精細。抗其它干擾性能也很強，比如抗彩筆的標記干擾能力強，得到的區(qū)域可用于測量焊寬。傳統(tǒng)算法的mIoU只有99%，而深度學習的mIoU達到99.89%。
新生產(chǎn)的產(chǎn)品，深度學習的樣本量少，訓練效果不是最佳，但隨著樣本量增加，增量學習，效果會不斷提高。
在含有高度圖的多通道圖中，額外增加注意力機制必不可少，同時可以增加空間注意力，特征圖融合。下圖是神經(jīng)網(wǎng)絡的改造設(shè)計：
本案例產(chǎn)品界面
評論