工业缺陷检测中的深度学习技术应用现状与展望

新知榜官方账号

2023-09-18 19:50:45

1.基于AI深度学习的工业缺陷检测现状

工业生产中,由于生产和运输环境中的不可控因素,很容易产生划痕、压伤、擦挂等缺陷。而其中的缺陷大部分都极其微小,甚至是肉眼难以识别,这些缺陷所造成的坏品率极大的制约了工业界的发展。在中国制造业转型升级的过程中,产品质量要销往欧美等发达国家,让产品更具竞争力,必然要求不良品不能最终出现在成品中。一方面,如果能提前发现不良的部件,提前排除,那就能打造成本优势,另一方面,人工检测一般在强灯光或者显微镜的工作环境中,人容易疲劳,容易误判,对经验要求高,现在大部分工厂并不容易找到检测工人,各种因素驱动之下,全自动智能化的外观检测,催生了庞大市场需求。

除去人工检测外,使用机器视觉技术进行缺陷检测是最为常见的做法,而机器视觉中需要依赖硬件模块和软件模块两个部分。机器自动外观检测一般都采用传统视觉算法方法,主要包括面积分析、颜色抽取、差异对比、灰度分析、Blob计算等,然而这些方法对被检对象依赖较大,并且存在检测效率低、误检率高、不同目标需要针对性编码等问题。随着深度学习图像检测技术的发展,尤其在自动提取特征和实现端到端检测方面表现出良好的性能,使得深度学习网络可以准确且快速地从图像中识别目标,并且具有较强的鲁棒性。因此,基于深度学习的图像检测技术在缺陷检测领域得到越来越多的重视。

2.工业应用少样本的深度学习技术

深度学习近年来应用效果越来越好,很大程度上依赖于在当前信息时代中对大数据的应用。但是工业生产的场景中,良率都比较高,且被检测目标的专业性,需要更专业的人员才能判断出缺陷内容,也无法满足大量的缺陷样本的采集工作。由于样本数量太少,训练模型时出现过拟合问题。因此分析目标检测中典型算法的优劣势,需要提出灵活的模型网络的缺陷检测算法框架,用于解决少样本学习过程中模型过拟合的问题。

3.深度学习技术的应用分类

深度学习技术的应用分类,主要是4类:1、目标识别;2、缺陷分割(语义分割)3、目标分类;4无监督学习。

4.深度学习技术在工业装备检测系统的实现步骤

深度学习技术在工业装备检测系统的实现步骤包括准备阶段的样本采集、样本训练和导入训练模型结果到运行软件,以及运行阶段的目标ROI定位和调用深度学习模型等。

5.深度学习技术的工业装备检测系统效果展示

深度学习技术的工业装备检测系统效果展示包括精驰技术MindWorks.AI深度学习在印刷目标的识别效果、划痕目标的识别效果、PCB光板的识别效果等。

总结

深度学习是个好技术,也确实能解决一些问题,但是不要指望他能解决一切问题。毕竟深度学习也就是产品的算法一环而已,仅此而已。只不过方法先进一点罢了。

本页网址:https://www.xinzhibang.net/article_detail-12228.html

寻求报道,请 点击这里 微信扫码咨询

相关工具

相关文章