机器视觉 (MV) 是制造业的一种流行工具，在制造和生产中用于缺陷检测、产品质量保证、库存管理等。与人工智能相结合，MV 使用基于深度学习的训练算法来开发可训练的系统，这些系统易于实施，并且可以通过对每天生产的数千件产品进行自动视觉检查来识别各种缺陷。由于机器视觉在制造过程中起着至关重要的作用，因此系统的任何次优性能都可能产生严重的不利影响。在自动化流程中，MV 系统的反馈充当上游流程的控制输入，这可能会导致产品质量出现不可接受的变化；在下游流程中，故障系统可能会导致过多的误报或漏报。虽然前者可能会导致瓶颈并降低吞吐量，但后者可能会导致有缺陷的产品进入市场，这可能更加灾难性。对系统进行的定期维护活动可确保系统的所有组件在安装过程中继续按预期运行，并且系统的改进可确保获得比刚开始估计更好的结果。

在下面的讨论中，我们将研究可能影响机器视觉系统维护和改进的环境因素和模型漂移。

环境漂移：

由于组件老化以及工业环境中通常存在的恶劣工作条件的影响，中压系统的性能可能会下降。造成这种环境漂移的一些因素如下：

灯光：

机器视觉照明的主要目标是通过非常小化其他地方的对比度来非常大化感兴趣特征的对比度，从而可以通过足够的明暗对比度来可视化可能的缺陷。被检查物体上的照明意外变化（可能是由于太阳方向的改变（季节变化）、头顶工作区域的灯光或来自另一个检查站的照明）可能会导致图像采集过程不稳定。如果在维护期间检测到这些环境光影响，可以通过使用日光截止滤光片、高亮度脉冲 LED、减少传感器曝光时间和逐步缩小光圈来非常大程度地减少这些环境光影响。同样，随着时间的推移，照明设备的性能下降可以通过定期校准 LED 照明来补救。

振动和冲击：

有时，系统安装在重型设备附近，这些设备的运行可能会导致振动，从长远来看，还会导致摄像机、镜头和其他相关硬件的错位。这可能会导致图像模糊，较大的振动甚至会对敏感硬件造成不可逆转的损坏。同样，计算资源的外壳虽然设计得足够坚固以处理日常操作，但它们的连接、布线、安装等可能会受到振动的影响，并在一段时间内变得松动，从而导致输出错误。维护活动包括对轨道级电缆和中压摄像机的可锁定连接器进行例行检查，并检查将聚焦镜头固定在金属支架上并提供防振保护的所有可锁定螺钉。

灰尘/湿气/热量：

MV 系统通常安装在恶劣的环境中，经常暴露在高温、灰尘、气溶胶等环境中。灰尘和雾气可能会遮挡或偏转从物体反射的光的路径，从而导致图像采集质量差。灰尘或湿气可能会粘附在 LED 或透镜表面上，从而减少到达传感器的光量。这可能会导致输出的差异。如果系统无法捕获被检物体的图像或未将有缺陷的产品剔除下线（假阴性），非常可能的原因是传感器出现故障。尽管现代相机的外壳可以有效防止灰尘、水和污垢，但保持检查和清洁时间表可以确保设备没有任何异物。

其他因素：

物料搬运 设备中的皮带、齿轮和执行器等组件和零件 会遭受自然磨损。这可能会导致校准性能出现偏差。例如，皮带速度的变化可能会导致与快门速度不匹配，从而导致图像质量差或根本没有图像。稳定的电源供应是任何电子设备的基本要求。持续一段时间内超出允许限度的供应可能会对它们的性能产生不利影响。接地不当还会导致电子设备故障，特别是在容易发生雷暴和闪电的地方。电磁干扰还可能导致图像采集系统发出错误信号。这些错误信号可能构成软件做出通过/失败决策的基础并导致不准确的结果。维护活动计划应包括在这些因素开始影响机器视觉系统的维护和改进之前对其进行定期监控。

模型漂移：

在任何基于机器视觉的检测系统中，人工智能模型都是使用软件开发时可用的历史图像数据进行训练的。然后该项目投入使用，实际生产管道开始使用此功能。刚开始一切可能都很好，模型的行为可能与使用这些训练数据设计的一样，但即使经过非常好的训练的模型也可能无法永远保持可靠。一段时间内现实世界的变化可能会导致生产数据偏离用于训练模型的基线数据。这可能会导致模型失去预测能力并导致性能不佳。模型精度和性能随时间的衰减称为模型漂移。通过“重新训练”模型来持续改进和定期优化模型是确保部署后结果终生准确性的一个方法。

模型漂移的类型：

模型漂移有两种类型：概念漂移和数据漂移。当要预测的因变量（目标）的统计属性随时间变化并且模型学习的模式不再有效时，就会发生概念漂移。当自变量的属性发生变化时，即用于定义它们的特征值发生变化时，就会发生数据漂移。例如，由于消费者偏好的变化而改变的颜色、添加新产品的新 SKU 等，都可能导致数据漂移。这种变化会导致数据偏离模型。

模型再训练：

在这两种情况下，都需要通过重新注释现有图像或使用新的注释图像集进行训练来重新训练模型。可以从训练数据集中消除冗余图像，同时要小心它继续正确处理早期数据。模型的重新训练可以是基于时间的，也可以是连续的，方法的选择完全取决于数据变化的速率。

基于时间的再培训：

在基于时间的方法中，模型会定期重新训练。当重新训练的频率与数据变化率同步时，这种方法是有意义的。在没有漂移的情况下，过于频繁地重新训练模型，不仅会浪费计算资源，还会浪费数据科学团队的工作量，甚至可能会导致模型的相关状态低于之前的版本。此外，大间隔的再训练可能会错过再训练的重点，并使模型留下噪声数据。尽管如此，谨慎的做法是更频繁地（不必要地）重新训练模型，而不是太少地重新训练。

持续再培训：

这种方法可以基于性能或数据驱动。在基于性能的 再训练中，预定义错误的非常大阈值，并且基于该阈值定期监视推断数据中已建立的一组性能度量，以评估何时发生可疑推断（即漂移）。当有足够多的此类样本（超过预先确定的阈值）发生漂移时，就会触发模型重新训练。 当发生数据漂移时，即输入数据发生变化并且需要根据新数据重新训练模型时，会触发数据驱动的重新训练。

重新培训或更换:

有时重新训练模型并不是解决方案。当性能出现显着偏差或数据发生重大外部变化时，可能需要重新考虑模型。快速的技术创新可以带来革命性的改进，尤其是深度学习模型本身（实际的神经网络）。如果缺陷是前所未有的且不常见，那么不仅可以通过使用更新的数据进行重新训练来进行改进，还可以通过用更新更好的模型替换旧的深度学习模型来进行改进。

机器视觉系统的维护和改进是持续不断的活动，有助于减少机器视觉系统中的环境和模型漂移。 遵循主动维护实践，旨在非常大限度地减少故障并降低成本。提供的工业机器视觉解决方案在系统中内置了一个重要的“分级”阶段，定期收集推理引擎做出的低置信度决策，并将其发送给操作员进行验证。从操作员处收到的输入将包含在下一个深度学习模型训练周期中，以解决之前发现的低置信度判断问题。这样可以避免模型漂移，并可以客观地测量 MV 系统的准确度和精度。定期维护和改进可确保机器视觉系统平稳运行，而不影响其效率和效果。