深度学习模型的缺陷检测方案应用难点

1、小样本数据训练。缺陷数据少,甚至缺失,是产线常态,尤其新料号产品刚启动生产时。如何依托小样本数据,实现较高的检测准确度及精度(如以15张某钟缺陷图片,用30分钟完成训练学习,检出率达100%),是应用落地难点。

2、单一正样本数据训练。新料号产品生产初期,暂无缺陷样品数据,是产线常态。如何依托一定量正样本数据(无瑕疵),进行训练学习,实现对缺陷品上瑕疵检测,是应用落地难点。3、跨产品料号适用。依托算法的转移学习能力,将已训练的模型进行跨料号迁移;在原有模型上对新缺陷数据进行较少次数的迭代即可。

4、训练时间、推理时间尽最大化的减少(在保证准确度和精度的前提下)。

5、部署成本降低(在保证准确度、精度和推理速度的前提下),以CPU替代GPU。

除了应用难点,还有实际应用中产生的问题:

1、未学习过的较明显缺陷,模型不能检出。

2、模型检测结果中,误报的假点很多。

3、训练时间长,且训练结果无确定性。

4、单个模型对应产品某区域(某原件),当各区域重新划分时,模型需重新训练,即使同种产品。

5、同一产品,增加新缺陷数据时,需重头学习,原有模型的参数会被重新调整学习。

6、当前使用的稳定模型,添加新的缺陷数据进行学习后,参数设定与上次模型参数训练一致,上次可检出的缺陷,新模型会检不出,存在模型遗忘的问题。

7、同一模型,以4种参数组合,训练出4种版本的模型(已可以自动按序训练),无法明确区分哪个版本效果最好。

8、参数繁琐,应用人员很难准确勾选出合适参数。

9、当前设备使用的稳定模型,复制在另一台设备上使用(测试产品一致),误报会逐渐增加。

针对工业领域缺陷检测业务需求、传统图像算法应用局限、深度学习模型应用痛点和问题,本研究分架构和技术两个层面展开研发,第一个层面是架构,融合传统视觉算子和深度视觉模型,构建本产品的检测架构,发挥出传统视觉算子和深度视觉模型的各自优点,并弥补各自缺点,满足业务需求。第二个层面是技术,采用国际前沿的深度学习算法,自主开发底层代码;针对应用痛点和问题,深耕对应的多维度技术落地(传统视觉、深度视觉、标注数据、软件工程)。

我司自主研发的人工智能检测软件系统BSW-AIPro包含两大系统性功能:AI学习功能AI智能缺陷过滤功能 

   AI学习功能:突破传统AOI的图像匹配和灰阶值提取去检测缺陷的算法,针对性对缺陷本身去提取特征,进行机器学习,去准确判定缺陷。因为非图像匹配,所以不需要产品在固定位置,不需要每次拍照图片一样,产品可以在萃盘里晃动而不影响检出;因为非灰阶值提取判断,产品可以不用吸平,在萃盘里自由状态而不影响检出。此功能模拟品检人员检测训练,可不断的对各类缺陷进行学习,最终达到熟练的品检人员检测水平,不断提高检出精准度。

 AI智能缺陷过滤功能:可对缺陷进行再定义,将可放过缺陷进行过滤,可过滤筛选掉大部分定义的可放过缺陷,降低报点,提升人员复判效率。

上一篇:

下一篇: