智能制造对计算机视觉技术的发展需求

智能制造业中涉及大量检测环节，如缺陷检测、形变检测、纹理检测、尺寸检测等。

计算机视觉技术作为检测领域目前最有效的方法之一，必然会在工业检测的应用中掀起一场革命性的制造模式大转变。它能再一次解放劳动力，大幅度提高制造业的生产效率，降低生产成本，减少生产环节，促使生产线全自动化的形成。

但目前计算机视觉在智能制造工业检测领域的实际应用存在诸多瓶颈问题尚未解决，其中3个关键的瓶颈问题值得研究讨论。

1) 实际智能制造业环境复杂、光源简单，容易造成光照不均匀，难以解决图像质量受光照影响大的问题。在检测领域的实际应用中，由于工业场地环境变化的不确定性，会使计算机视觉的图像采集环节受到影响。在工业检测中，检测的通常都是流水线上一致性很高的产品，需要检测的缺陷通常也是相对微小的，因此对图像的要求较高。除了保证相机的各参数一致以外，还需要控制环境因素的影响，这是工业检测中特有的控制因素之一。由于环境变化随机性大，使得控制光照成为智能制造检测领域的计算机视觉关键瓶颈问题。

2) 实际智能制造业中获取万级以上的平衡样本数据代价较大，难以解决样本数据不是以支持基于深度学习的计算机视觉检测任务的问题。在所有学习方法中，样本数据是最重要的因素之一。尤其是深度学习，往往需要非常大量的样本才能达到比较优异的检测效果。在一定数量级(欠学习)之内，样本和检测效果甚至成正比关系。而在智能制造业，样本数据的采集却是一大问题。因为企业追求利益，无法像做研究一样顺利进行样本数据采集，甚至有些产品的总产量都达不到深度学习所需的样本数据规模。

3) 智能制造业中，计算机判定难以达到专业判定的水准，如何在算法中加入先验知识以提高演化算法的效果是一大难题。如何有效利用先验知识，降低深度学习对大规模标注数据的依赖，成为目前业内的主攻方向之一。由于先验知识的形式多变，如何与深度学习有效结合是一大难点。具体到工业检测领域，问题更加严峻，在需要解决上述问题的同时，还需要考虑如下难点：如何将比普通先验知识更复杂的工业检测专业知识转化为知识图谱等形式融入算法；如何建立工业检测先验知识的规范化、标准化和统一化；如何通过已有产品的先验知识推测知识库未收录的其他类似产品的先验知识。