導讀

自亨利·福特首次引入裝配線系統(tǒng)以來，過程繁瑣，昂貴的手工檢查商品越來越不能滿足日益強大的制造業(yè)，質量控制變成了制造中的大問題。令許多制造商頭疼的是，生產過程或材料上產生的微小差異也會使整個生產過程出現(xiàn)缺陷。據分析公司的數(shù)據分析，在復雜的生產線上，有些不良率可以達到驚人的90％，在某些行業(yè)，50％的生產會由于缺陷而報廢。近幾年，隨著深度學習的發(fā)展，工業(yè)質量檢測領域迎來蓬勃發(fā)展。專家預測，2022年將會是工業(yè)質檢的開花年，日益成熟的深度學習技術將帶領工業(yè)質檢成為繼自動駕駛之后最熱門的AI行業(yè)。今天，我們就一起來了解一下深度學習為工業(yè)質檢創(chuàng)造的便利條件吧。

背景知識

隨著制造業(yè)產值的明顯增速，迅速催生了由視覺驅動的自動光學檢查（AOI）系統(tǒng)，它可以提供彩色圖像，幫助工人檢測產品，確保產品在進入下一個步驟制造之前提高質量。但是，它仍然相對較慢，準確度不高，且維護費用昂貴。隨著工業(yè)4．0的快速轉型，AOI系統(tǒng)不能處理的問題越來越多，這個時候，基于深度學習而產生的工業(yè)缺陷檢測系統(tǒng)出現(xiàn)了，它不僅能夠區(qū)分視覺相似部分的變化和偏差，還能夠區(qū)分產品的功能缺陷和外部缺陷（輕微），很好地解決AOI系統(tǒng)的缺點。

我們所提到的深度學習其實是機器學習的一個分支，它強調通過提供一個例子來教計算機像人類一樣學習。與機器學習不同的是，深度學習模型不需要不斷地用明確的指令編程來分析數(shù)據。通常，這些模型只提供了一個包含大量相關信息的數(shù)據集和一些初始參數(shù)，以便對數(shù)據進行操作。

深度學習可以解決復雜特征問題

相比傳統(tǒng)機器視覺通過視覺工程師來設計算法模型，深度學習技術最大的不同在于，程序能夠自主發(fā)現(xiàn)需要用什么特征，通過什么樣的邏輯關系來完成圖像分析任務，實現(xiàn)由程序來設計算法模型。

以樂高積木來類比的話，在傳統(tǒng)機器視覺里，人類的工作是從100個樂高元素里挑出數(shù)十個，組裝起來執(zhí)行人類設計好的邏輯動作，完成相關任務；而深度學習里，人類告訴機器需要完成的任務，由機器從1億個樂高元素里，挑出數(shù)萬個，組裝起來并選擇需要執(zhí)行的邏輯動作來完成該任務。這說明其表達能力遠遠高于人類專家。專家表示，即使需要檢測的物品特征以可以接受的方式微妙的發(fā)生著變化，深度學習也能夠精確的檢查并分類。

深度學習可以達到工業(yè)精度要求

大家通常會認為，工業(yè)應用對于技術精度和穩(wěn)定性的要求要高于民用技術。所以，在消費領域火熱的深度學習技術，是否能夠滿足工業(yè)指標呢？我們以外觀缺陷檢測為例，看看工業(yè)檢測具體需要考慮哪些指標。

（檢測任務的準確率考核矩陣）

漏判率：漏判會直接造成不良品流向終端客戶。所以漏判率要求通常低于100PPM。誤判率：誤判會直接對工業(yè)企業(yè)的良率造成影響，會造成物料的浪費。企業(yè)對誤判率的要求通常要求在1～5（％）之間。在漏判率達標的前提下，只有大幅降低誤判率，才能達到減人的目標。節(jié)拍：不同行業(yè)有較大差異，如電子行業(yè)的節(jié)拍要求在5秒以內，機械加工行業(yè)的節(jié)拍要求在幾十秒以內。

一方面，深度學習目前的行業(yè)普遍技術水平已經能夠達到95％以上的判定準確率。通過平衡漏判率和誤判率，更加嚴格地控制漏判，可以讓漏判率降到100PPM以下，而誤判率降到5％以下。另一方面，針對節(jié)拍的要求，由于目前GPU顯卡可以達成每秒80禎的圖像處理速度，5秒內可以完成400張圖片的判定。而一般3C行業(yè)的產品較小，只需要10張以內的照片就可以完成產品的覆蓋，比如大的機加工產品，也只需不到100張圖片進行產品表面的全覆蓋。圖像處理的速度完成可以滿足節(jié)拍的要求。所以總體來看，專家認為深度學習技術已經成熟到可以完成復雜工業(yè)視覺任務。

尾聲

深蘭科技也一直在工業(yè)質檢領域尋求突破。據相關項目負責人表示，在深耕算法研究的基礎上，深蘭科技硬件智能質檢設備隊伍也在逐步擴大。目前，深蘭科技智能質檢設備已經廣泛運用于組裝件AI檢測，平面產品線上質檢，金屬及其他材料外觀檢測等多個領域……能為傳統(tǒng)制造業(yè)節(jié)約人工成本，提升工作效率。未來，深蘭科技將繼續(xù)研發(fā)解決工業(yè)檢測痛點的技術和產品，助力中國從“制造大國”向“制造強國”轉型。