一个基于共同知识的通用视觉检查框架,用于适应多种场景,任务和对象

科学领域:

• 工业制造业 工业制造业 工业制造业
• 计算机视觉 计算机视觉
• 人工智能的人工智能

背景情况:

• 向以客户为中心的制造业的转变增加了产品的复杂性和质量要求,挑战了传统的机器视觉.
• 现有的人工智能研究往往忽视了复合任务,方法可追溯性和不同检查场景之间的知识转移.
• 在复杂工业产品的通用,可适应的视觉检查框架中存在差距.

研究的目的:

• 为标准化产品检查提出一个共同的,基于知识的,通用的视觉检查框架.
• 在工业视觉系统中应对复合任务,方法可追溯性和知识传播方面的挑战.
• 为了使复杂的产品检查能够实现适应性指标和信息脱.

主要方法:

• 开发了一个框架,用于逐步调整与任务相关的对象感知,使用多细分化和多模式方法.
• 抽象检查作为多个子模式空间组合映射和差异指标的可重新配置过程.
• 实施知识改进和从历史数据中积累知识的战略,以持续改进管道.

主要成果:

• 创建了复杂产品的检测管道,通过故障追踪和知识增强来证明持续改进.
• 与最先进的深度学习方法相比,实现了优异的姿势估计 (1.034°,52.308 mm) 和检测率 (0.462 到 0.927).
• 在不同的成像方法和工业任务中验证了适应性,突出了知识共同点的重要性.

结论:

• 拟议的知识驱动框架为复杂的工业产品检查提供了一种标准化和可适应的方法.
• 视觉检查的适应性是通过挖掘固有的知识共同点,多维积累和重新应用来实现的.
• 该框架有效地解决了复杂制造环境中传统机器视觉和当前人工智能方法的局限性.