视觉分拣瓶盖正反面，模板匹配还是深度学习划算？
手头有个饮料瓶盖分拣的小项目，需要区分瓶盖正面（有logo那面）和反面，单一型号，年产量大概3000万件左右，传送带速度每秒1.2米。光源、相机这些硬件我自己能搞定，现在卡在算法选型上。
用传统模板匹配的话，匹配角度和模板数量怎么定比较合理？我担心角度分得太细模板数量爆炸，分得太粗又漏检。要是上深度学习，标注成本和现场推理时间这块没底，有没有人跑过类似的小目标分类，3060显卡能撑住几条线同时跑？
另外瓶盖是圆形曲面，边缘反光会不会干扰匹配？这块有没有什么处理思路。
全部回复 (4)
你这个量级和速度，传统模板匹配完全够用，没必要上深度学习。把瓶盖分成8个角度区间、每个区间做1-2个模板就够了，模板之间设个得分阈值过滤。我之前做过类似的瓶盖朝向检测项目，500万像素工业相机配环形光源，匹配耗时控制在15ms以内，3060都嫌浪费。
曲面反光的问题主要靠打光解决，用同轴光或者低角度环形光打，能把高光斑压到logo区域以外。匹配的时候把ROI卡死在中心圆形区域，避开边缘高光带，漏检率能压到万分之三以下。深度学习那个路线，标注几千张图加训练调参的时间，够你模板匹配调好几轮了。
我们厂做瓶盖检测用了三年了，直接halcon的for_each_shape_model算子，角度步长设10度，单个目标匹配时间8ms左右，CPU跑就行不用显卡。你这个速度每秒钟大概过40-50个盖子吧，i5级别的处理器都能扛住。漏检率和模板质量直接相关，模板做的时候多采几个有瑕疵的样本加进去训练，匹配阈值设0.7比较稳。
产量3000万还用深度学习纯属给自己找事。模板匹配跑得好好的，干嘛要折腾标注、训练、部署这一整套。你就算训练个ResNet18，推理一张图要30ms以上，你这个速度根本跑不满产能。别听人忽悠上AI，传统方法能解决的问题就别硬套时髦玩意。