自動外觀缺陷檢測一直是一項具有挑戰(zhàn)性的任務(wù)。過去，計算機視覺需要幾個月的編碼和調(diào)試。然而，有一種更有效的方法可以通過深度學(xué)習來解決機器視覺問題?，F(xiàn)在，這些智能機器可以學(xué)習如何使用基于人類學(xué)習的示例訓(xùn)練來識別缺陷。
深度學(xué)習技術(shù)利用神經(jīng)網(wǎng)絡(luò)模擬人類的智能，在容忍復(fù)雜模式自然變化的同時，也區(qū)分了整容異常?；谏疃葘W(xué)習的系統(tǒng)擅長檢查復(fù)雜的表面和外觀缺陷，如光滑、光亮或粗糙零件上的劃痕和凹痕。智能檢測技術(shù)在提高生產(chǎn)率、可重復(fù)性和生產(chǎn)率方面取得了成功。麥肯錫表示，如果制造商使用的圖像識別技術(shù)進行視覺檢查和檢驗，生產(chǎn)率可能會提高50%。與人工檢測相比，基于人工智能或人工智能的圖像識別可以將缺陷檢測率提高高達90%。
人工智能、機器學(xué)習和深度學(xué)習的定義
智能機器的智能化取決于人工智能——機器學(xué)習或深度學(xué)習的類型。這些術(shù)語通常可以互換使用，但技術(shù)不同。
在高層次上，人工智能是一個通用領(lǐng)域，旨在模仿人類推理能力，利用軟件使機器變得智能。機器學(xué)習使用算法從數(shù)據(jù)中發(fā)現(xiàn)模式并產(chǎn)生見解。機器學(xué)習使用深度學(xué)習、回歸分析、貝葉斯網(wǎng)絡(luò)、邏輯規(guī)劃和聚類技術(shù)將人工智能應(yīng)用于系統(tǒng)。
深度學(xué)習是機器學(xué)習的一個分支，它通過創(chuàng)建人工神經(jīng)網(wǎng)絡(luò)(ann)來模擬人腦中的神經(jīng)網(wǎng)絡(luò)。就像人腦解決問題一樣，軟件接受輸入，處理輸入，產(chǎn)生輸出。這種方法使用由訓(xùn)練程序調(diào)整的權(quán)重來教神經(jīng)網(wǎng)絡(luò)如何正確響應(yīng)輸入。因此，更多的重復(fù)教學(xué)使人工神經(jīng)網(wǎng)絡(luò)更強大，從而更好地識別或預(yù)測。這就像一個孩子學(xué)習識別字母表或乘法表。
在工廠部署自動缺陷檢測
越來越需要檢測消費電子和醫(yī)療設(shè)備中的微米缺陷。與測量特定零件位置的計量學(xué)不同，缺陷出現(xiàn)在多個位置和組合中。例如，智能手機可能在許多地方有劃痕、凹痕和缺口，包括外殼、曲面和蓋板玻璃。制造商需要加工整個零件來捕捉這些缺陷。
深度學(xué)習在醫(yī)療器械制造中也有一些應(yīng)用?？梢园l(fā)現(xiàn)股骨和膝關(guān)節(jié)假體的劃痕等缺陷，可以檢查三種器械的包裝和密封情況。深度學(xué)習愿景還確保在組裝驗證期間，所有組件都存在于包裝中，例如外科手術(shù)套件中的零件。除了缺陷檢測之外，深度學(xué)習往往可以對缺陷類型進行分類，實現(xiàn)閉環(huán)過程控制。在訓(xùn)練深度學(xué)習系統(tǒng)時，重要的是創(chuàng)建樣本圖像的數(shù)據(jù)集來構(gòu)建和訓(xùn)練模型，從每個缺陷的30到50個圖像開始，具有相同數(shù)量的好零件。然后，您可以添加一個新圖像來反映錯誤的拒絕和接受情況。通過定義一系列零件、材料和缺陷類型，制造商可以強調(diào)訓(xùn)練集的可變性。還建議由兩名人類對圖像進行獨立分級進行驗證，并確認其判斷的一致性。通常每個缺陷需要一周的時間來訓(xùn)練模型。
在選擇圖像來訓(xùn)練系統(tǒng)時，垃圾輸入和垃圾輸出的概念非常重要。在預(yù)期的光照和光學(xué)條件下，收集好的和壞的圖像數(shù)據(jù)集是理想的。捕捉困難表面的高對比度圖像，如玻璃和鏡面紋理顏色材料，需要定制的照明技術(shù)、成像和零件操作。
與右側(cè)的高分辨率圖像相比，左側(cè)低對比度圖像中的缺陷難以檢測。
低質(zhì)量的圖像使得軟件和人工評分者都難以訓(xùn)練，這導(dǎo)致分類和可重復(fù)性問題。為了盡量減少假陰性和假陽性，盡量使用5到10像素的高對比度圖像來描述的缺陷。例如，在檢查智能手機上的劃痕時，機器視覺將被放大，以聚焦分辨率水平為5微米的圖像。擁有高質(zhì)量的圖像可以幫助分類員驗證圖像，并幫助軟件識別劃痕缺陷和可接受的加工痕跡之間的差異。
當深度學(xué)習視覺系統(tǒng)準備進行量產(chǎn)檢測時，請考慮使用兩層檢測方法。在第1層，所有零件都使用具有深度學(xué)習機器視覺的自動檢查。然后在第2層手動確認所有有邊界缺陷零件的結(jié)果。這為深度學(xué)習系統(tǒng)的增量訓(xùn)練改進提供了可靠性和冗余性。
基于深度學(xué)習的圖像分析無論是用于特征定位、讀取、檢測還是分類，都是一種快速靈活的提高零件質(zhì)量的方法。
