自動外觀缺陷檢測一直是一項具有挑戰性的任務。過去，計算機視覺需要幾個月的編碼和調試。然而，有一種更有效的方法可以通過深度學習來解決機器視覺問題?，F在，這些智能機器可以學習如何使用基于人類學習的示例訓練來識別缺陷。
深度學習技術利用神經網絡模擬人類的智能，在容忍復雜模式自然變化的同時，也區分了整容異常?；谏疃葘W習的系統擅長檢查復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。智能檢測技術在提高生產率、可重復性和生產率方面取得了成功。麥肯錫表示，如果制造商使用的圖像識別技術進行視覺檢查和檢驗，生產率可能會提高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、機器學習和深度學習的定義
智能機器的智能化取決于人工智能——機器學習或深度學習的類型。這些術語通?？梢曰Q使用，但技術不同。
在高層次上，人工智能是一個通用領域，旨在模仿人類推理能力，利用軟件使機器變得智能。機器學習使用算法從數據中發現模式并產生見解。機器學習使用深度學習、回歸分析、貝葉斯網絡、邏輯規劃和聚類技術將人工智能應用于系統。
深度學習是機器學習的一個分支，它通過創建人工神經網絡(ann)來模擬人腦中的神經網絡。就像人腦解決問題一樣，軟件接受輸入，處理輸入，產生輸出。這種方法使用由訓練程序調整的權重來教神經網絡如何正確響應輸入。因此，更多的重復教學使人工神經網絡更強大，從而更好地識別或預測。這就像一個孩子學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療設備中的微米缺陷。與測量特定零件位置的計量學不同，缺陷出現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。
深度學習在醫療器械制造中也有一些應用?？梢园l現股骨和膝關節假體的劃痕等缺陷，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，例如外科手術套件中的零件。除了缺陷檢測之外，深度學習往往可以對缺陷類型進行分類，實現閉環過程控制。在訓練深度學習系統時，重要的是創建樣本圖像的數據集來構建和訓練模型，從每個缺陷的30到50個圖像開始，具有相同數量的好零件。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，制造商可以強調訓練集的可變性。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練模型。
在選擇圖像來訓練系統時，垃圾輸入和垃圾輸出的概念非常重要。在預期的光照和光學條件下，收集好的和壞的圖像數據集是理想的。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、成像和零件操作。
與右側的高分辨率圖像相比，左側低對比度圖像中的缺陷難以檢測。
低質量的圖像使得軟件和人工評分者都難以訓練，這導致分類和可重復性問題。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。
當深度學習視覺系統準備進行量產檢測時，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果。這為深度學習系統的增量訓練改進提供了可靠性和冗余性。
基于深度學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量的方法。
