作者：翁磊，劉聯峰

中檢集團計量（溯源）有限公司

導讀

本研究旨在創建一個復合的系統框架，結合人工智能的識別技術、物聯網以及信息化技術，借此實現設備檢測的自動化流程。此項工作的初衷是為了進一步提升實驗設備操作的效率以及準確性，通過降低人工操作帶來的誤差，確保實驗數據的可靠性和準確性。該方案自動提取和識別實驗設備的數字信息，包括設備表盤讀數和設備樣品序列號，并一體化控制設備參數，有效減少了人為錯誤和時間成本。本文介紹了技術實踐過程，探討了其性能評估結果，并展望了未來的應用前景。

01引言

實驗室作為科學研究、第三方檢測的重要場所，扮演著記錄和分析數據的關鍵角色。實驗室環境通常需要細致的記錄保存，以確保科學實驗的可靠性和結果的再現性。傳統的記錄保存方法在很大程度上依賴于手工輸入和手寫文件，這帶來了人為錯誤和文書差異的風險。

這些風險包括：①人為誤差：操作人員可能會在記錄數據時犯錯，如寫錯數字、跳過某些數據或錯過關鍵細節。這可能導致數據記錄不準確或不完整。②數據量大：有些實驗可能涉及到大量的數據，例如在輻射量實驗中， 每個樣本可能會產生十多個的數據點。在人工處理數據量時，容易出現遺漏或混淆數據的情況。③時間壓力：在實驗室中，有時可能存在時間限制，需要在規定的時間內完成實驗并記錄數據。這種情況下，可能會感到緊迫或趕時間，容易出現匆忙或粗心的錯誤。

機器視覺是一門涉及人工智能、神經生物學、心理物理學、計算機科學、圖像處理和模式識別等諸多領城的交叉學科。機器視覺（Computer Vision）主要關注計算機對于人類視覺系統所需解釋能力的模型化與實現。這些技術已經被廣泛地應用于醫學、自動化制造、安全控制和智能家居等不同領域。在安全防護上，機器視覺技術已經成為一種關鍵的安全保護手段。利用視覺監控系統在人員通道、重要地帶及交通路口等實施實時觀察， 能夠有效地防止和應對盜竊、搶劫及火災等意外發生。在智能制造領域，機器視覺技術同樣發揮著關鍵作用。通過使用視覺檢查技術在自動化生產線上進行快速的零件檢查和分類，生產效率和產品質量能得到顯著提升。醫學影像方面也是機器視覺技術的重要應用領域。經由對影像數據的處置和剖析，可以助力醫生迅速找到病變位置，并提高疾病檢測的準確性和正確率。

在實驗室檢測領域，目前機器視覺應用較少，且主要集中在自動化程度較高、檢測設備較為精密的高端實驗室中，但在大部分的已有檢測實驗室中以及新導入的檢測設備中，各檢測設備或系統整合性不強，存在較多人工讀取設備數據或手工抄錄多個設備系統中數據，然后再整合進統一的數據采集系統并進行檢測報告的生成， 檢測工作效率較低、準確性稍有欠缺。本應用項目的主要目的是展示將深度學習視覺技術集成到實驗室記錄保存中的多種優勢。具體而言，我們的目標是利用深度學習計算機視覺算法幫助準確捕捉和準確解析檢測結果， 同時減少與傳統記錄保存實踐相關的時間和精力。

02檢測方法概論

在智能制造領域，機器視覺檢測技術表現出時效性好、準確性高、適用面廣的特性，廣泛應用于目標檢測工作中。在工業相機采集高分辨率圖片數據基礎上，實現多目標物體識別、位置檢測，并關聯目標物體的位置信息。機器視覺目標檢測算法由目標特征提取器、目標分類與目標位置區域搜索方法構成。

1）模板匹配方法。模板匹配是一種高級的計算機視覺技術，可識別圖像上與預定義模板匹配的部分。它是在整個圖像上移動模板并計算模板與圖像上被覆蓋窗口之間的相似度的過程。此方法過程較為復雜，需要構建多個模板，同時若采集到的目標變形、旋轉等情況。會造成檢測目標字符難以被識別，準確率較低。

2）基于機器學習的字符識別。機器學習是將采集到的圖片經過矯正處理、定位分割，最后將分割后的單個字符使用LSSVM 算法識別目標字符。機器學習的方案比模板匹配方案有更好的識別率和準確性。

3）基于深度學習的字符識別。隨著計算機視覺技術的發展，基于深度學習的目標檢測方法逐漸成為主流。目前常用的目標檢測深度學習算法有YOLO 系列和R-CNN 系列算法。YOLO 算法在大目標、輕量化的場景中具有較好的檢測效果，同時具有較快的檢測速度。R-CNN 網絡在檢測的精度方面具有較好的效果。本文主要針對深度學習的方法用于字符識別開展應用研究。

03基于深度學習的工業儀器檢測應用

針對機器視覺在工業儀器設備檢測中場景梳理，可以確定其AI 模型的相關屬性及識別的復雜程度。實驗室工業儀器設備檢測中除了檢測設備數顯儀表讀數外，還有設備型號、設備編號、設備樣品編號及設備廠家圖標等信息，都需要機器視覺進行拍攝后并識別出結果。同時實驗過程一般還需要記錄溯源實驗的溫度、濕度數據， 以及對實驗設備的自動化操作控制記錄等。需要對不同的實驗室檢測設備進行不同的實際模型分類及邏輯控制。通過對實際案例中檢測需求的梳理分類發現，形狀、尺寸、一次檢測數量及待檢測設備擺放角度等對機器視覺的識別都有一定識別精準性影響；因此，需要針對某個品牌型號和類型的待檢測設備進行單獨的建模訓練。

3.1 傳統計量設備計量讀數采集過程

以對γ 射線輻射計量設備的計量讀數智能視覺OCR 識別為例，通過傳統計量過程計量度數采集方法與基于深度學習的機器視覺OCR 識別方法進行比對分析，對實現過程進行表述。

當前實驗過程主要是通過人工操作放射源設備，根據檢定規程按要求發射伽馬射線，同時待被檢測設備讀數穩定后，通過視頻監控人工讀取數據，并進行記錄。實驗過程需按要求反復執行多次，并記錄數據。計量實驗室- 計量設備計量數據采集作業現有模式架構圖如圖1 所示。

圖1 計量實驗室

-計量設備計量數據采集作業現有模式架構圖

3.2 基于深度學習的機器視覺檢測需求分析設計

為提升實驗室自動化水平、提高檢測效率，自動原始記錄的主要需求：①自動識別被檢儀器，采集被檢設備的的品牌、型號、設備樣品編號的信息；②自動根據檢測要求，聯動操作放射源設備，如：工作臺、濾片位置等；③對接現有監控視頻，采集視頻；④根據檢測要求， 自動讀取和記錄儀器儀表數據、記錄溫度濕度；⑤記錄數據可以對接導出其他三方系統，如Excel、實驗室管理系統Lims 等。

經過改造利用人工智能識別技術、物聯網及信息化技術， 實現設備的數字OCR（Optical Character Recognition，光學字符識別）人工智能識別，從而降低人工查看記錄設備數據的工作量，提升實驗工作效率和準確性。通過該方案，將實驗設備的數字信息（如設備表盤讀數、設備樣品序列號等）自動提取和識別，并一體化控制實驗設備參數，減少人為錯誤和時間成本。

結合目前人工智能識別技術應用及方案目標，實現方案架構如圖2所示。

圖2 計量實驗室- 計量設備計量數據采集作業

-人工智能化采集模式架構圖

3.3 基于人工智能的目標區域識別檢測

目標檢測是指在圖像或視頻中自動地檢測出感興趣的目標區域，并識別出這個目標的類別。在人工智能的應用領域中，目標檢測具有廣泛的應用價值。基于深度學習的目標檢測算法使用的是卷積神經網絡（Convolutional Neural Networks，CNN）學習特征的方式，這種特征學習方式能自動發現檢測及分類目標所需要的特征，同時通過卷積神經網絡將原始輸入信息轉化成更抽象、更高維的特征，這種高維特征具有強大的特征表達能力和泛化性，所以其在復雜場景下的性能表現較好，可滿足工業界的大部分應用需求。

本項目中對目標區域的識別檢測包括收集和整理設備數據集、訓練模型和部署模型三個步驟。數據準備主要是收集、標注、劃分數據集；訓練模型即使用訓練數據對模型進行訓練，使用測試數據對模型進行測試，評估模型性能，對模型進行優化，提高檢測精度和速度；部署模型即編寫模型調用api，便于其他系統集成使用。基于人工智能算法的圖像目標區域識別工作流程如圖3 所示。

圖3 基于人工智能算法的圖像目標區域識別工作流程

3.4 基于深度學習的文本信息OCR 識別檢測

OCR 識別的工作原理通常是通過將圖像或掃描文檔送入OCR 算法，然后分析圖像中的像素以識別不同的字符。這些字符可以是數字、字母和符號等。一旦字符被識別出來，它們就可以被轉換為計算機可讀的文本格式， 比如Word 文檔或文本文件。

為了保證識別的準確度，會對圖像進行一系列的處理。首先將目標檢測算法得到的結果進行處理，得到設備屏幕，進一步處理獲取有效數據區域。在對圖像進行差值處理，提高圖片內文字的區分度，最后通過數字OCR 識別算法，得到數字文本進行記錄。電子顯示屏文本信息的定位與OCR 識別如圖4 所示。

圖4 電子顯示屏文本信息的定位與OCR 識別

3.5 一體化控制

一體化控制是對實驗室檢測設備和實驗室管理軟件的集成，使得智能檢測與現有控制軟硬件形成一體化的流程，進一步實現自動化控制。一體化控制作業流程圖如圖5 所示。

圖5 一體化控制作業流程圖

04實驗結果與分析

在此場景下應用了基于深度學習的機器視覺算法后， 對實驗操作流程準確性和效率有顯著的提升，對于單設備計量的檢測數據采集，平均每設備檢測數據采集時間由原來的20min 減少到10min，采集效率提升100%。對于單次多設備檢測，平均每設備檢測數據采集時間由原來的8min 減少到2min，采集效率提升300%，同時，數據的可訪問性大大提高。實驗室檢測自動識別模型如圖6 所示。

圖6 實驗室檢測自動識別模型

1）提高準確性。計算機視覺算法有可能顯著減少記錄和減少實驗室結果時的人為錯誤。通過自動化檢測和處理，可以有效消除手動數據輸入產生的錯誤，確保數據完整性，降低誤解風險。

2）提高效率。通過計算機視覺技術實現數據采集和文檔記錄的自動化，使實驗室人員能夠將時間和專業知識分配給更關鍵的任務。人工數據輸入和轉錄容易出錯且耗時，可以用計算機視覺工具取代或增強，從而減少記錄保存所需的總時間。

3）提高數據可訪問性。計算機視覺技術允許創建易于搜索和訪問的數據庫，借助于一體化控制技術，與實驗室現有管理軟硬件集成。這使研究人員能夠高效地檢索和分析數據，加快研究人員科學研究和數據報告的產出效率。

05未來發展展望

5.1 人工智能和機器學習

人工智能（AI）和機器學習（ML）算法在計算機視覺技術中的集成為推進實驗室記錄保存帶來了巨大的希望。這些技術有可能提高檢測的準確性，優化數據管理， 并促進實時分析。人工智能和機器學習技術使實驗室自動化系統能夠自動調整實驗參數以達到最優結果。通過不斷學習和調整，可以提供更高的實驗成功率和效率， 提高效率。

融合了人工智能和機器學習技術的實驗室自動化系統可以根據其內部學習模型和規則進行自主決策，以解決實驗中的問題。它能夠識別并解決常見的錯誤和挑戰， 提供實驗室工作人員更具創造性和戰略性的思考空間。

5.2 與物聯網和5G 技術融合

物聯網可以通過連接儀器、設備和傳感器，實現設備的智能化和自動化。傳感器可以收集實驗數據和環境信息，將其傳輸到云端，從而實現實時監測、遠程操作和數據分析。這可以大大提高實驗室的運行效率和數據質量，并減少人為錯誤。

5G 技術的高速傳輸和低延遲特性可以提供更穩定和可靠的通信。這意味著實驗室可以實時傳輸大量數據， 并迅速響應遠程操作。此外，5G 技術還支持更多設備的連接，為實驗室的擴展和升級提供便利。

這種融合還可以實現實驗室的遠程訪問和協作。實驗室人員可以通過互聯網連接到實驗室設備，實時監控和操作實驗過程。這樣，在一些室外場景也可以實現自動化檢測，可以幫助實驗室實現更高效、更智能的運作。

06結論

本研究成功地融合了基于深度學習的人工智能識別技術、物聯網技術和信息化技術，實現了工業儀器實驗設備自動識別。融合創新技術不僅提高了工業儀器和實驗設備的操作速度，更加精確地實現了對數據的把握和控制，從而極大提高了實驗的效率和準確性。同時，解決了數據溯源、錯誤糾正和實驗重復性等復雜問題，實現了科學實驗的信息化和智能化。

這一融合創新在科研、工業生產和醫療保健等領域具有潛在的廣泛應用前景，在數據驅動背景下，將為提高數據管理和實驗操作水平做出重要貢獻，進一步優化和提高各領域的運作效率和準確性。隨著本領域研究的不斷深入和技術的不斷進步，有望更好地滿足社會和科學的需求。期待通過基于深度學習機器視覺和信息技術的不斷發展，為工業智檢貢獻力量。

來源：《智能制造》5期雜志

審核編輯：湯梓紅