对物体快速、可靠地进行计数

物体自动计数是工业价值链中一项非常重要的应用。例如，作为质量保障流程的一部分，必须可靠检查待交付的包装内是否包含所需数量的正确产品。而在库存管理工作中，精准确定仓库或车间内特定物品的实际数量也同样至关重要。上述计数过程需要达到较高的速度，且必须与指定的过程周期相匹配。

然而，在工业实践当中，对物体进行计数非常具有挑战性。且当需要计数的物体较多时尤为如此。这些物体的尺寸通常很小，而且很难相互分离。它们往往彼此粘连或重叠，从而给计数过程额外增添了很大难度。在许多工业企业内，依旧在手动执行这项任务。然而事实证明，这样做不仅耗时耗力，而且当物体排列非常混乱时，也很容易出错。此外，手工计数是一项没有任何挑战性且十分单调的工作，如果可能的话，还是应该将员工从这种工作中解放出来。

传统算法：基于形状的匹配在计数方面存在其局限性

因此，让计数过程尽可能地实现自动化是非常有意义的。在工业图像处理（机器视觉）领域，目前为止，通常借助基于形状的匹配或简单的 Blob 分析等经典方法来完成此项任务。然而，这些技术仍存在其局限性，且在许多情况下无法得出所需的可靠结果。因为基于形状的匹配并非专门针对物体计数而开发。更确切地说，其优势在于高度精准地在图像中确定物体的位置，以便机器人准确地抓取物体。仅当物体的形状已知且在图像中能够保持不变时，基于形状的匹配才适用于计数过程。例如，该技术非常适用于扁平垫圈等机械零件，原因就在于其轮廓可以保持不变，且由于物体形状平坦，在图像中始终能够以相同的样态显示。

而对于螺母而言，其难度则明显增大。因为各个螺母可能方向各异（例如颠倒放置），并因摆放角度不同而在图像中有多种样态。为了借助基于形状的匹配安全、可靠地识别此类零件，必须通过训练使其能够分辨多种不同样态。这同样适用于食品工业中的产品，例如形状各异的坚果或蓝莓。如果需要可靠地找出此类物体并进行计数，“匹配”法将因其局限性而不再适用。

深度学习：实现准确的计数结果

为了能够可靠地完成此类任务，MVTec 开发出了一种基于深度学习的全新技术，该技术可在物体自动计数时提供更加可靠的结果：借助 23.05 及以上版本的 HALCON 机器视觉标准软件所标配的深度计算功能，可以对大量物体进行高速定位和准确计数。此时，深度计算功能不仅能够分辨零件的各种形状，还会利用深度学习方法将待计数物体的其他显着特征（例如颜色、图案或纹理）考虑在内。

该技术的决定性优势在于其可以非常快速地投入使用。根据大小、形状和纹理的差异，每次最多只需标记和训练 10 个物体，而这两个步骤都可以在 MVTec HALCON 内轻松完成。不再需要像传统的 Blob 分析那样费时费力地进行参数化，这也使得机器生产线上的工人能够更轻松地准确装配新零件。即使是拥有高反射率或由非晶态材料制成的物体，深度计算也能提供极其可靠的结果。此外，还可以可靠地检测数量难辨的相互粘连或部分重叠的物体。因此，该技术完美适用于对食品工业中的各种产品进行计数，也可用于螺母等物品的包装，且能够保证品类和数量的正确性。

深度计算还可用于对排列混乱且数量难辨的物体（例如螺母）进行定位和计数

借助全新的 HALCON 深度计算功能，可以快速、可靠地对大量不同物体进行定位和计数。