深度學習算法在機器視覺中就如一個巧妙的接收轉(zhuǎn)換器般的存在，它靈活、敏捷、“深度”與廣度兼具，強悍的計算與預測能力可以稱為其魅力之處。深度計算——可以集數(shù)億個神經(jīng)網(wǎng)絡的自擬，對于數(shù)據(jù)、語音、圖像等多種形式的資源進行分析、解釋。

需求背景

科技進程的加速，產(chǎn)品的品質(zhì)化與智能化要求在日益擴增。生產(chǎn)制造商對于產(chǎn)品的質(zhì)檢體系需要不斷地更新升級，跨越了從人工檢測到傳統(tǒng)的視覺檢測再到具有深度學習算法的智能檢測這一整條進化鏈，深度學習算法彌補了傳統(tǒng)算法無法檢測復雜特征的漏缺，免去了人工提取特征這一耗時耗力的步驟，更大程度為生產(chǎn)企業(yè)提升制造效率。然而凡事都有兩面性，深度學習算法也不例外，只是，其優(yōu)勢的比例遠遠超越了不足，因而能迅速占領行業(yè)市場。

目前深度學習廣泛應用在圖像、語音、自然語言處理、CTR預估、大數(shù)據(jù)特征提取等技術領域，同時在多個行業(yè)內(nèi)備受認可與青睞，比如數(shù)字助手、能源、制造業(yè)、農(nóng)業(yè)、零售、汽車等行業(yè)的生產(chǎn)制造與服務過程中不同程度地融入了深度學習算法技術以及技術產(chǎn)品，展現(xiàn)了人工智能與物聯(lián)網(wǎng)的時代特色與科技進步。

案例展示

基于客戶產(chǎn)品的外觀缺陷檢測需求，三姆森自主研發(fā)了一套融合深度學習算法的檢測解決方案，方案主要針對顯示屏的缺陷檢測技術做了一個相對清晰、客觀的解析，將深度學習算法與光技術成功地結合。（深度學習算法成為該方案的核心部分，它的功能設定一方面體現(xiàn)在實現(xiàn)對缺陷輪廓的提取，另一方面體現(xiàn)于對缺陷的尺寸、面積等進行判辨與管控）

深度學習算法流程圖

核心功能模塊

• 對缺陷進行自動分級、位置標記、靈敏度控制
• 自動挑選樣本、診斷模型、輸出最佳神經(jīng)網(wǎng)絡
• 自動學習、不斷優(yōu)化性能
• 模型優(yōu)化、調(diào)整檢測標準

深度學習算法備受青睞的原因

不僅僅源于其強大的特性

更大程度在于相較傳統(tǒng)算法的明顯優(yōu)勢

優(yōu)勢對比

• 在檢測性能上

擁有對顏色、亮度、對比度等更具穩(wěn)定性的測試效果，較大幅度地提升了檢測能力，能達到：3%≤過殺率≤10%；漏檢率≤0.5%（而傳統(tǒng)算法通常只有：8%≤過殺率≤12%；漏檢率≤1%）

• 在操作性上

AI算法在經(jīng)前期模型的訓練后，就能靈活適應產(chǎn)品的頻繁更換，減免了參數(shù)調(diào)整的繁瑣步驟。

• 在算法拓展性上

AI算法有利于后續(xù)對軟件的升級優(yōu)化，其發(fā)展提升的可能性更廣闊。

算法說明

• 算法計算亞像素輪廓面積時，面積范圍被定義為該線包圍區(qū)域。

• 算法計算輪廓面積時，物體的實際成像面積為12個像素點，（右圖中數(shù)字對應像素點）



• 深度學習算法效果

檢測效果佳，即使背景復雜，影響也較弱

• 能對灰塵、異物進行過濾，避免其受影響干擾



• 準確分辨、歸類不同缺陷

巧妙的深度學習算法為實際的產(chǎn)品檢測（比如手機顯示屏的AOI外觀檢測）增附了更多的優(yōu)點，比如測量精度大幅提高、通用性良佳、極低的誤檢率和不良漏檢率，適應不同客戶的多種生產(chǎn)產(chǎn)品和模式，使得其核心功能為企業(yè)生產(chǎn)制造實現(xiàn)了價值效益。

檢測案例

刮傷、點傷、臟污、絲印不良等的檢測

• 產(chǎn)品正面黑點、劃傷：

臟污檢測效果圖

• 主檢正面面板臟污、黑點等缺陷

軟板連接器檢測效果圖

• 檢測連接器上刮傷、壓傷、錫球、橋接、異物、少錫

軟板二維碼檢測效果圖

• 檢測二維碼不能讀取、字符缺失等缺陷

技術展望

在多元化的數(shù)字信息時代、科技電子產(chǎn)品迅速繁衍，AI智能將逐漸覆蓋我們的生活，科技創(chuàng)新有著無限種可能，深度學習算法必然會向多領域發(fā)展，機器視覺檢測與深度學習的結合或許會上升到一個更高級的層次，現(xiàn)在的設備能篩檢多種缺陷，也許在未來，不再是單一的外觀檢測了，取而代之的是更全面的產(chǎn)品檢測，展望技術的不斷革新與進步。

[[393608]]