智能制造 | 基于深度学习的视觉检测

智能视觉检测瑕疵缺陷已成为一个有着高度直接影响的有趣且具有潜力的研究领域，特别是在视觉检测领域，深度学习技术已成为此任务的最佳方法。深度学习技术可以通过训练图像数据集来提供一个可以检测表面异常的模型。在一些工业中，通过表面检测或材料检测中的杂质是质量控制的一步。通常，这个检查过程需要质检人员手动检查表面，也需要训练质检人员识别整个复杂缺陷范围，但对于智能制造时代来说，这是耗时、低效的，可能会导致生产等待时间，甚至偶尔错误分类缺陷，导致客户投诉或领域故障，从而导致产品召回等问题。

过去，传统的机器视觉检测足以解决那些低效问题，不足的地方由人工补足，但现如今的智能制造倾向于泛化生产线，需要快速适应新产品的快速更新迭代，故此基于卷积神经网络（深度学习）的视觉检测缺陷被提出。基于深度学习的视觉检测拥有包括缺陷分类、缺陷定位和缺陷分割等环节，相比于传统的图像处理方法分多个步骤和环节处理缺陷检测任务，基于深度学习的视觉检测方法将其统一为端到端的特征提取和分类。

通常来讲，产品附加值越高，缺陷容忍率就越低，如汽车工业、电子、日用等，对产品本身质量要求较高，通过视觉检测对产品进行大量抽检或全检，帮助降低产品的不良率，提升生产效率与产品可靠性。但是这个魔幻的年代让一些小厂也不得不卷一下，例如玩具的制造小厂，引入一套视觉检测软件，就虚数科技的DLIA工业缺陷检测，也不过才几万块，就当为工厂升级转型提前布局。

随着人工智能的现代发展趋势，制造企业希望在生产周期中利用基于深度学习的视觉检测技术实现减少人为干预的同时，达到人的水平精度或更高的精度，以及优化工厂生产能力、劳动成本等。深度学习视觉检测技术的使用是多种多样的，工业制造领域的多样性、生产环境的复杂性、产品缺陷的非标性等因素，给深度学习视觉检测的实际应用带来诸多挑战的同时，也让深度学习视觉检测技术得更多补充和优化，变得更加成熟。虚数科技相信，深度学习与视觉检测相结合，必将大力推动智能制造的研究和应用进展。