机器视觉 2022-01-07 10071 0
客户记录了在所有不同地方区域安装的每根电线杆。要准备所有已安装杆的数据库，需要进行手动检查。但是，检查结果存在不一致的情况，检查本身的过程也很耗时。
识别三种类型（木质和金属）电线杆的多重特征
检查路灯/照明的存在/不存在
检查杆的材料（混凝土、金属或木制）
检查固定在杆上的配电变压器是否存在
检查完全是手动的。每个区域都分配了操作员进行检查并手动记录。完全检查一根杆子的平均检查时间为 25-30 秒。
将开发一个带有摄像头的人工智能视觉系统，用于检查电线杆。解决方案开发之旅分为图像采集、机器学习、解决方案部署和精度提升 4 个部分。
将开发一个图像采集软件并将其输入平板电脑，以从不同方向获取杆的图像并将其存储。这些平板电脑被交给了一些检查员来拍摄一组杆子的图像。图像采集部分是整个旅程中最关键的部分，因为它有助于训练 AI 模型以获得正确准确的结果。
使用获取的图像开发解决方案。在不同的图像集的帮助下，通过在它们周围制作边界框/圆圈（也称为数据注释）来训练每种类型的杆（有和没有变压器和灯）。
然后将训练好的模型安装在多个设备（平板电脑）上。这些设备是便携式视觉检测系统，能够实时检测电线杆、灯和变压器的材料，并将结果显示在屏幕上。此外，这些结果将被记录到数据库中。
创建深度学习 (DL) 程序以训练机器视觉系统（在本例中为便携式平板电脑）以了解各种未经训练的灯、变压器和电线杆材料。结果将实时反映在用户界面上。
进行了 POC（概念验证）并观察到以下结论：
错误接受率降至 1%，这将有助于我们的客户降低召回率。
检查周期时间减少到不到一秒，这将有助于我们的客户提高交货率。
人为干预减少了 66%，从而降低了劳动力和培训成本
