自动化的外观缺陷检测一直是个挑战性的工作。
在过去，计算机视觉工作需要几个月的编码和调试。
然而，现在有一种更有效的方法，利用深度学习来解决机器视觉问题。
现在，这些智能机器可以学习如何使用基于人类学习的示例训练来识别缺陷。
深度学习技术使用神经网络，模拟人类智能，在容忍复杂模式自然变化的同时，区分化妆品异常。基于深度学习的系统擅长检查复杂的表面和外观缺陷，如光滑、光亮或粗糙零件上的划痕和凹痕。
智能检测技术在提高生产率、重复性和生产能力方面取得了成功。麦肯锡称，如果制造商使用先进的图像识别技术进行视觉检测和检测，生产率可能会提高50%。基于人工智能或人工智能的图像识别与人工检测相比，可以提高高达90%的缺陷检测率。
人工智能、机器学习和深度学习 定义
智能机器的智能化取决于使用的人工智能类型——机器学习或深度学习。这些术语通常可以互换使用，但技术不同。
在高层次上，人工智能是以模仿人类独特的推理能力为目标，利用软件使机器智能化的一般领域。机器学习使用算法从数据中发现模式并产生洞察力。机器学习利用深度学习、回归分析、贝叶斯网络、逻辑规划和聚类等技术将人工智能应用到系统中。
深度学习是机器学习的一个分支，它通过创建人工神经网络（ann）来模拟人脑中的神经网络。就像人脑解决问题一样，软件接受输入、处理输入并生成输出。该方法使用通过训练程序调整的权重来教神经网络如何正确响应输入。因此，更多的重复教学使人工神经网络更强大，从而更好地识别或预测。它就像一个孩子学习识别字母表或乘法表。
在工厂部署自动化缺陷检测
人们越来越需要检测消费电子产品和医疗设备中的微米级缺陷。与测量特定零件位置的计量学不同，缺陷出现在多个位置和组合中。例如，智能手机可能在多个地方有划痕、凹痕和缺口，包括外壳、曲面和护盖玻璃。制造商需要对整个零件进行加工以捕获这些缺陷。
深度学习系统可以检测智能手机外壳上的缺陷（右图）。
深度学习在医疗器械制造业也有一些用途。可发现股骨膝关节假体划伤等缺陷，并可对3类器械的包装密封进行检查。深度学习视觉还确保在装配验证过程中所有组件都存在于包中，例如外科工具包中的零件。除了缺陷检测之外，深度学习还可以经常对缺陷类型进行分类，从而实现闭环过程控制。
当培训一个深度学习系统时，重要的是创建一个样本图像的数据集来构建和培训模型，从每个缺陷30到50个图像开始，每个好的部分数量相同。然后可以添加新图像以反映错误的拒绝和接受案例。通过定义一系列零件、材料和缺陷类型，制造商可以强调培训集的可变性。还建议两位人类专家对图像进行独立分级以供验证，并确认他们的判断之间的一致性。通常每个缺陷需要一周的时间来训练模型。
在选择最佳图像来训练系统时，垃圾输入、垃圾输出的概念至关重要。在预期的光照和光学条件下，收集好的和坏的部分的图像数据集是理想的。捕捉困难表面的高对比度图像-如玻璃和镜面纹理彩色材料-需要定制的照明技术、先进的成像和精确的零件操作。
与右侧的高分辨率图像相比，左侧的低对比度图像中的缺陷很难检测。
低质量的图像使软件和人工评分者都难以进行培训，从而导致分类和重复性问题。为了尽量减少假阴性和阳性，尝试使用5到10像素的高对比度图像来描述最小的缺陷。例如，当检查智能手机上的划痕时，机器视觉将放大以聚焦在5微米分辨率级别的图像上。具有高质量的图像可以帮助分级人员验证图像，并帮助软件识别划痕缺陷和可接受的加工标记之间的差异。
当深度学习视觉系统准备好进行批量生产检查时，请考虑使用两层检查方法。在第1层中，对所有零件使用具有深度学习机器视觉的自动检查。然后在第2层中，手动确认所有边界缺陷零件的结果。 这为深度学习系统的增量式训练改进提供了可靠度和冗余度。
无论是用于特征的定位、读取、检测或分类，基于深度学习的图像分析都是一种快速、灵活的提高零件质量的方法。
如果你的工业生产线中，可能用的到机器视觉或深度学习方面的技术，那不妨和我们盈泰德科技聊聊，我们会先根据你的需求分析，从一个专业的角度免费来给你设计一个合适你的方案，然后听取你的意见，再详细洽谈，最后即使没能达成合作，我们也非常希望能多认识个朋友。
来自：https://www.0755vc.com/9831.html
在过去，计算机视觉工作需要几个月的编码和调试。
然而，现在有一种更有效的方法，利用深度学习来解决机器视觉问题。
现在，这些智能机器可以学习如何使用基于人类学习的示例训练来识别缺陷。
深度学习技术使用神经网络，模拟人类智能，在容忍复杂模式自然变化的同时，区分化妆品异常。基于深度学习的系统擅长检查复杂的表面和外观缺陷，如光滑、光亮或粗糙零件上的划痕和凹痕。
智能检测技术在提高生产率、重复性和生产能力方面取得了成功。麦肯锡称，如果制造商使用先进的图像识别技术进行视觉检测和检测，生产率可能会提高50%。基于人工智能或人工智能的图像识别与人工检测相比，可以提高高达90%的缺陷检测率。
人工智能、机器学习和深度学习 定义
智能机器的智能化取决于使用的人工智能类型——机器学习或深度学习。这些术语通常可以互换使用，但技术不同。
在高层次上，人工智能是以模仿人类独特的推理能力为目标，利用软件使机器智能化的一般领域。机器学习使用算法从数据中发现模式并产生洞察力。机器学习利用深度学习、回归分析、贝叶斯网络、逻辑规划和聚类等技术将人工智能应用到系统中。
深度学习是机器学习的一个分支，它通过创建人工神经网络（ann）来模拟人脑中的神经网络。就像人脑解决问题一样，软件接受输入、处理输入并生成输出。该方法使用通过训练程序调整的权重来教神经网络如何正确响应输入。因此，更多的重复教学使人工神经网络更强大，从而更好地识别或预测。它就像一个孩子学习识别字母表或乘法表。
在工厂部署自动化缺陷检测
人们越来越需要检测消费电子产品和医疗设备中的微米级缺陷。与测量特定零件位置的计量学不同，缺陷出现在多个位置和组合中。例如，智能手机可能在多个地方有划痕、凹痕和缺口，包括外壳、曲面和护盖玻璃。制造商需要对整个零件进行加工以捕获这些缺陷。
深度学习系统可以检测智能手机外壳上的缺陷（右图）。
深度学习在医疗器械制造业也有一些用途。可发现股骨膝关节假体划伤等缺陷，并可对3类器械的包装密封进行检查。深度学习视觉还确保在装配验证过程中所有组件都存在于包中，例如外科工具包中的零件。除了缺陷检测之外，深度学习还可以经常对缺陷类型进行分类，从而实现闭环过程控制。
当培训一个深度学习系统时，重要的是创建一个样本图像的数据集来构建和培训模型，从每个缺陷30到50个图像开始，每个好的部分数量相同。然后可以添加新图像以反映错误的拒绝和接受案例。通过定义一系列零件、材料和缺陷类型，制造商可以强调培训集的可变性。还建议两位人类专家对图像进行独立分级以供验证，并确认他们的判断之间的一致性。通常每个缺陷需要一周的时间来训练模型。
在选择最佳图像来训练系统时，垃圾输入、垃圾输出的概念至关重要。在预期的光照和光学条件下，收集好的和坏的部分的图像数据集是理想的。捕捉困难表面的高对比度图像-如玻璃和镜面纹理彩色材料-需要定制的照明技术、先进的成像和精确的零件操作。
与右侧的高分辨率图像相比，左侧的低对比度图像中的缺陷很难检测。
低质量的图像使软件和人工评分者都难以进行培训，从而导致分类和重复性问题。为了尽量减少假阴性和阳性，尝试使用5到10像素的高对比度图像来描述最小的缺陷。例如，当检查智能手机上的划痕时，机器视觉将放大以聚焦在5微米分辨率级别的图像上。具有高质量的图像可以帮助分级人员验证图像，并帮助软件识别划痕缺陷和可接受的加工标记之间的差异。
当深度学习视觉系统准备好进行批量生产检查时，请考虑使用两层检查方法。在第1层中，对所有零件使用具有深度学习机器视觉的自动检查。然后在第2层中，手动确认所有边界缺陷零件的结果。 这为深度学习系统的增量式训练改进提供了可靠度和冗余度。
无论是用于特征的定位、读取、检测或分类，基于深度学习的图像分析都是一种快速、灵活的提高零件质量的方法。
如果你的工业生产线中，可能用的到机器视觉或深度学习方面的技术，那不妨和我们盈泰德科技聊聊，我们会先根据你的需求分析，从一个专业的角度免费来给你设计一个合适你的方案，然后听取你的意见，再详细洽谈，最后即使没能达成合作，我们也非常希望能多认识个朋友。
来自：https://www.0755vc.com/9831.html
