工业视觉发展历程、技术路径及发展趋势有哪些？

工业视觉为智能制造打开“新视界”。

工业视觉（或机器视觉）是利用具有空间位置分辨能力的“光信号”进行的非接触测量与判断，并产生控制动作的系统。工业视觉概念始于20 世纪 50 年代，是人工智能正在快速发展的一个分支，涉及计算机科学、机械、图像处理、模式识别等诸多领域的综合技术，被誉为“工业之眼”。根据美国制造工程师协会（SME）机器视觉分会以及美国机器人工业协会（RIA）自动化视觉分会的定义，工业视觉是通过光学的装置和非接触的传感器，自动地接收和处理一个真实物体的图像，以获得所需信息或用于控制机器人运动的装置。一个典型的工业视觉应用系统通常包括图像捕捉、光源系统、图像数字化模块、数字图像处理模块、智能判断决策模块和机械控制执行模块。

工业视觉具有极大的发展潜力。在智能制造的浪潮下，生产线对工业设备提出了新要求，“智能工厂”已经成为一个愈加流行的术语。智能工厂对生产自动化、工作效率、安全生产、产品质量等均提出了更高的要求，而工业视觉作为智能工厂的“眼睛”，不仅能够模仿人类视觉能力，还能对所“见”物体展开精准测量与定位等高级操作，实现对质检、安防等工业核心环节的检测能力综合提升，最大限度降低人工成本，已广泛应用于产品质量检测、生产安全防护、零部件分拣、人机协作等关键工业场景，为智能工厂打开“新视域”。据中国信通院对2021年智能制造试点示范工厂典型应用场景统计表明，生产作业与质量管控成为占比最高的两个应用场景，占比超 35%。其中，在近50 个细分应用领域中，基于工业视觉的智能在线检测位居榜首，占比近8% 。同时，工业视觉的市场规模也逐步扩大，据中国机器视觉产业联盟统计预测，到2026 年我国市场规模将突破 543 亿，正逐步成为世界工业视觉发展最活跃的地区之一。

随着工业数据规模提升、人工智能算法突破，工业视觉技术不断向更复杂的工业场景实现应用创新。同时，以深度学习为核心的前沿算法技术加速与机器视觉融合，推动工业视觉由数字视觉向AI 视觉不断演进，当前共形成四个相对清晰的技术路径。 一是基于传统模式识别的数字图像处理技术路径。该技术路径主要依赖数学理论与人工经验，通常包含图像特征提取和模板匹配等环节。图像特征提取通过基于颜色、纹理、形状等特征的识别得到图像的“特征信息”表示或描述，特征提取的精度对后续特征点匹配精度、模板匹配精度等方面均有影响；模板匹配是对某一特定对象物体的图案或轮廓位于图像的位置进行判断,通过与参考模板进行对比进而识别对象物体。基于模式识别的机器视觉技术可以完成95%以上的产品表面缺陷检测和量测任务，算法简单可快速应用。但该方法同时具有一定的局限性，无法实现自动提取特征，且只适用于轮廓清晰、缺陷单一的产品，并不适用于背景复杂的产品。该技术适用于工业大批量生产的场景，这些场景中背景相对固定且简单，需要快速完成检测任务。

二是基于传统机器学习的路径。机器学习能从一些样本数据中得出不能通过原理分析总结出的规律。通常采用支持向量机、决策树、浅层神经网络等分类能力较强的算法，常应用于印刷品、食品等缺陷检测场景。 基于传统机器学习的方法首先需要人工分析图像特征，再通过图像算法对特性进行提取，最后通过机器学习中的分类器基于图像的数字化特征对其进行标签分类。在该过程中，只需少量典型类别的图像与各个类别间的临界图像即可完成分类任务，但人工特征分析仍在该过程中占主导地位。 该技术路径在只有“好品”与“缺陷品”的二分类任务中表现良好，对于多类型缺陷的判断并不能发挥其性能。此外，该路径是基于人工分析所得到的显性特征进行缺陷类型判断的，需要专家知识作为支撑，且所考察的特征不够抽象深入，因此自适应性和泛化性较弱。但其鲁棒性较好、部署速度较快，适合于较为简单场景下的检测任务。

三是基于深度学习的路径（AI 视觉）。深度学习是机器学习的重要技术分支，可以形成更抽象的高级属性类别或特征，通过采集大量图片后进行标注，再把图片放入网络训练并调节参数和网络结构，再次训练后得到最好的分析结果。基于深度学习的检测方法因具有检测效率高、学习能力强、自动化程度高等特点,广泛应用于生产过程中人员安全、多种产品缺陷检测等场景，因其能够很好的解决复杂特征刻画问题，使手工特征的研究大大减少。 典型的深度学习网络有：卷积神经网络，可以从输入的数据中学习到抽象的本质的特征信息，对高维数据有较强学习能力，但计算复杂度随网络层数增加而急剧增加；深度置信网络，有较强的扩展性，适合对图像进行多分类、识别处理，但较为依赖专家经验；全卷积网络，可以接收任意尺寸的图像且可对其进行像素级分割，在此基础上获得高层语义先验知识矩阵，但对图像的细节信息不敏感且收敛较慢；Transformer结构，在训练效率、图像分类、分割等任务中取得优异效果，正在成为学习序列数据(包括文本、图像和时间序列数据)的通用框架。

深度学习方法适用于复杂缺陷检测、更智能的图像识别场景，但除了需要结合专家知识选择更适合的算法模型与调整网络参数外，还需要大量训练数据才能更好地发挥其优势。 四是前沿机器学习技术路径。基于图像处理、机器学习算法往往能够解决相对简单或具有较大数据量的视觉问题，而面对数据样本不足甚至缺乏、未知缺陷等各类复杂情况时，应用小样本学习、零样本学习、元学习、SAM 分割等新型机器学习技术能够在一定程度上解决稀疏样本条件下对零星缺陷、故障等识别问题。除了上述在指定任务空间内的样本稀缺问题解决方法外，许多学者将跨任务的迁移学习应用到机器视觉的深度学习训练中，进一步提升了检测系统的性能，使得面对同时缺乏数据和机理的情况时，也能较好地解决其冷启动问题。

发展趋势： 一是强化小目标检测精度。在工业生产现场，基于视觉感知进行缺陷检测、人员识别、安全帽检测等应用场景，常面临因距离远、背景大、遮挡多等因素导致的微小目标挑战。通过在深度学习基础上叠加数据增强、多尺度学习等技术策略，能够提升工业视觉模型对小目标检测的精度。未来，工业复杂环境将对小目标检测精度提出更高的要求，不断驱动解决小目标问题的技术创新。

二是提升对未知长尾目标的识别能力。基于工业视觉技术进行识别、检测、引导和测量等应用时，随着产线迁移、产品工艺升级等变化，往往会产生与预期检测目标不符的对象，如新缺陷识别、未知物件抓取等。通过零样本学习、无监督/半监督学习等方法，能够实现对未知目标的检测。当前，生成式 AI 以文生图，以图生图的Diffusion 扩散模型，ControlNet 技术使得零样本学习、小样本学习问题变得容易，通过大量生成用户自定义的仿真图片，在项目开发的前期，可以快速评估项目最终能达到的效果，减少试错成本，提高整体投入产出比。针对工业制造少存图、高良率、新缺陷漏检等生成无穷多缺陷数据，可以快速（降低60%）部署实施。 三是技术融合提升检测准确率。随着深度学习赋能工业视觉应用的程度与范围逐步拓展，与跨领域技术的融合脚步也在不断加快。针对行业与工业场景差异化，通过叠加传统图像处理算法、传统机器学习算法等技术组合，能够提升目标检测的准确度。例如在PCB 缺陷检测场景，通过“CNN+图像处理”的技术组合模式能够去除噪声干扰突出特征信息，检测准确率高达 95%。此外，随着 ChatGPT 的爆火，人工智能大模型成为技术热点，能以标准化模型手段应对分散的工业场景，提高模型泛化性和模型精度，当前在工业视觉领域开展了初步探索。