从“天方夜谭”到“行业标配”，AI靠自己闯出了一片天

你们家设备用了AI了吗？

你们的深度学习算法是自己的吗？

曾经用AI是遥不可及的梦，用AI做工业领域的视觉检测更是天方夜谭，然而今日用AI做视觉检测，已然成为了行业标配。

AI算法

四大核心模块，构建AI体系

2017年，当工业视觉检测还沉浸在传统算法时，科亿科技率先在塑包行业开始尝试用AI算法解决传统算法无法检测出来的缺陷。

示例

棕色刻度瓶视觉检测，出现“黑点”存在位置“边界不清晰”且周围干扰因素太多，传统算法检测精度降低，漏检概率大。

AI算法依据“数据驱动”，有效解决“干扰环境”下的视觉检测精度问题。通过对采集来的足够量的图像数据，进行准确的数据标注（提取待检测产品特征），提供一个学习目标，即可让计算机自己从数据中寻找规律、总结模式，从而生成它自己的“规则”（即模型）。

为更好的让AI算法在工业质检场景落地，科亿科技通过建立图像分类、目标检测、缺陷分割、几何定位四大核心模块，健全AI算法体系。将原有的视觉检测精度提升30%。

图像分类

能够通过学习整张图像中的纹理、形状、对比度、灰度值等特征，快速判断出整张图像的所属类别，NPU模式下，单图推理耗时依然低至1ms。

目标检测

在复杂背景下找到图像中检测目标，排除抗干扰项，通常用一个矩形框框出来，找到检测目标。

缺陷分割

能够对图像上的像素点进行分类，精准识别缺陷的位置和类别。输出缺陷在图像上的面积、最小外接矩形的长边和短边等关键量化参数信息。

几何定位

常用于在目标多样、姿态多样等图像背景复杂的场景中，通过AI学习，判断多端点的目标形状，定位目标所在区域。甚至可以将误差缩小至3像素以内。

示例

相较于传统算法，AI算法在盖子R∠缺陷检测、瓶身划痕、瓶口缺陷、螺纹处缺陷，检测精度有效提升30%。

AI加持

提质更提效

在AI算法部署过程中，优化模型效果需持续关注性能指标，并采取针对性策略，包括调整关键超参数、扩充训练图像数据、校验标注质量等。通过多次迭代训练与优化，可逐步提升模型的检测精度与检测效果。

尤为关键的是，高质量的图像数据是算法性能的基石。其核心要素可归纳为以下五点：准确的标注质量、缺陷类别的均衡分布、覆盖充分的特征场景、足够规模的数据量、数据的持续更新与维护。

为降低数据量以及训练时间，提升检测精准度，确保在模型部署时，达到理想效果，科亿科技先后完成KVIS云训练平台建立，搭建云数据中心，同时在算法上不断优化。

智能标注——1秒完成标注

为达到“所见即所标”的交互体验，科亿科技利用基于视觉大模型的智能标注工具，对边界清晰的缺陷，1秒即可完成标注，加速模型构建，尤其适用于边界清晰高对比场景。

正样本训练——建模时间缩短50%

工业领域搜集收集缺陷样本既耗时又低效，还可能出现各种无法预测的异常情况，科亿科技推出正样本训练模式，即只需良品图像特征，即可找到缺陷品，具有很好的防呆效果，提高了对未知缺陷的检测精度。

缺陷生成——建模效率提升50%

AI算法应用在视觉检测上必须要有足够的训练集，而实际生产过程中有些缺陷搜集困难，科亿科技基于工业场景应用现状，推出缺陷生成模型。基于缺陷数据，以扩散模型为技术基地，通过样例图进行正向扩散+反向扩散，仿真出不同位置的缺陷。解决因图像数据不足导致的模型训练及验证困难、模型指标不佳等问题。

通过在算法上的不断优化，科亿科技的AI算法由一开始的几万张图到现在的只需要几十张图就可完成模型的训练。逐步走向轻量化模型，实现了速度、功耗、成本和部署便利性之间的最佳平衡。

过去科亿科技的AI模型是一张白纸，需要海量数据来“填满”它的认知；现在科亿科技的AI模型则是一个“见过世面的专家”，只需少量样本（40-50张图像）就能快速掌握新任务。

AI跨界

创新更精准

历经市场检验和打磨，科亿科技的AI算法不断在横向拓展，赋能更多场景价值。

01

工业品控

图像匹配算法+立体视觉

科亿科技先后研发出图像匹配算法、立体视觉算法，在印刷、电子元器件等单品检测上实现AI视觉检测，提升产线良品率。

02

农业品控

1小时快速训练

在农业品控领域，考虑行业环境、时间效率，科亿科技率先摒弃“时间训练法”，精修出来“1小时快速训练”模式，不需要大量的图像数据堆砌，只要50张图像，即可在1小时内完成标注数据、训练模型、部署模型。实现高效精准。

03

AI+机械手

3D算法

在全新的AI+机械手方向，科亿科技的AI算法，从数据中测量并重建出物体的三维几何信息（形状、深度、位置等），在获取精确的三维信息后，做到对散乱、无序堆放的物体进行自主识别、定位和抓取，同时也可以完成对物体的缺陷检测或者产品分类。