如雨后春筍般深度學(xué)習(xí)缺陷檢測(cè)視覺平臺(tái)，主要有兩個(gè)方向的視覺平臺(tái)，Ai軟件，智能機(jī)硬件+算法。

?

無論是Ai軟件，智能機(jī)都是以小樣本訓(xùn)練、遷移學(xué)習(xí)，AI底層優(yōu)化算法等解決工業(yè)視覺缺陷檢測(cè)難題，并在汽車，3C、泛半導(dǎo)體、鋰電池等眾多領(lǐng)域廣泛落地，實(shí)現(xiàn)了機(jī)器替代人，提高了企業(yè)產(chǎn)品質(zhì)量檢測(cè)，提高檢測(cè)效率，降低人工成本，輔助保證產(chǎn)線良率、產(chǎn)能，為改善產(chǎn)品工藝和質(zhì)量提供可靠的數(shù)據(jù)追溯。

缺陷檢測(cè)行業(yè)痛點(diǎn)有哪些？

客戶端痛點(diǎn)：

1.圖像數(shù)據(jù)少

缺陷圖像數(shù)據(jù)少，收集困難；個(gè)別罕見缺陷收集難度更大

2.產(chǎn)品型號(hào)多

產(chǎn)品類型多復(fù)雜，型號(hào)多變

3.周期長(zhǎng)

項(xiàng)目周期長(zhǎng)，落地慢

4.要求高

終端客戶要求檢測(cè)精度過高，0漏檢！

5.缺陷標(biāo)準(zhǔn)模糊

終端客戶內(nèi)部缺陷標(biāo)準(zhǔn)不統(tǒng)一，存在模棱兩可的情況，項(xiàng)目推進(jìn)中形成很大的阻力

技術(shù)端痛點(diǎn)：

1.精度不可控

深度學(xué)習(xí)卷積不可控，檢測(cè)精確度低

2.優(yōu)化無方向

深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)黑匣子，優(yōu)化無方向

3.檢測(cè)速度慢

GPU顯卡成本高，硬件加速處理速度慢

4.軟件操作復(fù)雜

軟件集成度、功能性差，操作復(fù)雜，工程師不會(huì)使用

5.綜合技術(shù)實(shí)力要求高

對(duì)光學(xué)方案要求越來越高，對(duì)綜合技術(shù)能力要求越來越高，AI需要傳統(tǒng)圖像處理算法配合。

小樣本訓(xùn)練帶來挑戰(zhàn)性（解決工業(yè)缺陷圖像數(shù)據(jù)少，減少AI對(duì)于數(shù)據(jù)量的依賴）

1、目前問題點(diǎn)：

深度學(xué)習(xí)模型的效果過于依賴大量訓(xùn)練數(shù)據(jù)，而工業(yè)流水線上的AI模型需應(yīng)對(duì)的NG樣本存在類型多、數(shù)據(jù)少的特點(diǎn)。

?

2、現(xiàn)有挑戰(zhàn)：

如何在保證精度的情況下進(jìn)行神經(jīng)網(wǎng)絡(luò)模型的小樣本訓(xùn)練？

?

3、解決方案：

基于工業(yè)樣本的特點(diǎn)，利用結(jié)構(gòu)化保持的流形學(xué)習(xí)方法、深度最優(yōu)測(cè)度學(xué)習(xí)方法及特征匹配與對(duì)抗學(xué)習(xí)方法，解決基于遷移學(xué)習(xí)的小樣本識(shí)別中產(chǎn)生的負(fù)遷移、負(fù)適配、欠擬合等關(guān)鍵問題。

遷移學(xué)習(xí)（強(qiáng)泛化能力，解決跨產(chǎn)品型號(hào)能力差問題 ）

1、目前問題點(diǎn)：

檢測(cè)目標(biāo)存在多型號(hào)，材質(zhì)相似，缺陷類型大致相同等特點(diǎn)。以往的深度學(xué)習(xí)算法在訓(xùn)練同一類圖像的過程中，容易產(chǎn)生過擬合現(xiàn)象。

2、現(xiàn)有挑戰(zhàn)：

解決對(duì)類似圖像訓(xùn)練的過擬合問題！

3、解決方案：

?通過工業(yè)領(lǐng)域收集的各類缺陷圖片，訓(xùn)練出較為通用的預(yù)訓(xùn)練工業(yè)模型。由于通用模型的低層語義通常包含缺陷邊緣、顏色等通用基礎(chǔ)信息，無需重復(fù)訓(xùn)練，因此遷移學(xué)習(xí)凍結(jié)預(yù)訓(xùn)練模型的全部卷積層，只訓(xùn)練自己定制的全連接層；即只訓(xùn)練高層語義所包含的組合性復(fù)雜特征來將通用預(yù)訓(xùn)練工業(yè)模型遷移到多個(gè)領(lǐng)域只有小數(shù)據(jù)的領(lǐng)域，提高了泛化能力具有適應(yīng)性。

1、目前問題點(diǎn)：

AI Segmentation分割模型普遍存在精度不夠的問題。開源算法及行業(yè)內(nèi)某些廠商的語義分割算法檢測(cè)的后的IOU（交并比）效果不理想，即反映精度不夠或檢測(cè)存在偏差的問題。

2、現(xiàn)有挑戰(zhàn)：

?消除由于模型分割精度不夠?qū)е碌臋z測(cè)偏差問題。

3、解決方案：

Handdle AI深度學(xué)習(xí)模塊優(yōu)化了算法底層框架，得益于專業(yè)的超參控制調(diào)整，使所檢測(cè)的分割像素?zé)o限貼近于真實(shí)。根據(jù)項(xiàng)目圖像特征的不同，組合配備對(duì)應(yīng)的超參控制，對(duì)像素特征具有極高的感知，大幅度提升檢測(cè)IOU及像素級(jí)精度。

可視化調(diào)試(解決深度學(xué)習(xí)模型優(yōu)化無方向問題)

1、目前問題點(diǎn)：

針對(duì)目前深度學(xué)習(xí)只能處理可微數(shù)據(jù)，超參多不好調(diào)試，卷積過程黑匣子不可控，訓(xùn)練數(shù)據(jù)要求多，無法理解圖像背后含義等缺陷。

2、現(xiàn)有挑戰(zhàn)：

神經(jīng)網(wǎng)絡(luò)優(yōu)化沒有方向，黑匣子無法可視化，無法人為干預(yù)結(jié)果。

3、解決方案：

通過計(jì)算獲得最大一類的輸出相對(duì)于最后一個(gè)featuremap的梯度，再把這個(gè)梯度可視化到原圖，抽出中間層的結(jié)果來打開黑匣子，解決優(yōu)化無方向等黑匣子問題；針對(duì)樣本在訓(xùn)練過程中不可控的問題，特別加強(qiáng)了圖像分類可視化功能，通過熱力圖、精準(zhǔn)定位到最高權(quán)重，并提供強(qiáng)有效的方向性修復(fù)方案。

機(jī)器學(xué)習(xí)+深度學(xué)習(xí)

1、目前問題點(diǎn)：

基于AI深度學(xué)習(xí)的模型分析下，有部分項(xiàng)目在結(jié)果上無法做到絕對(duì)的精準(zhǔn)量化；AI模塊對(duì)于部分?jǐn)?shù)據(jù)處理存在速率低下的情況。

2、現(xiàn)有挑戰(zhàn)：

?解決AI模塊對(duì)于絕對(duì)精度的量化問題與項(xiàng)目推理運(yùn)行的時(shí)效問題。

3、解決方案：

Handdle AI深度學(xué)習(xí)結(jié)合自主研發(fā)的機(jī)器視覺算法，將模板匹配、輪廓匹配、定位、量測(cè)等多模塊算法集成，融合搭配AI深度學(xué)習(xí)算法。平臺(tái)為AI提供了可靠的預(yù)訓(xùn)練樣本；并滿足大量用戶現(xiàn)場(chǎng)有關(guān)機(jī)器視覺的應(yīng)用。將檢測(cè)的結(jié)果經(jīng)過MV算法進(jìn)行精準(zhǔn)測(cè)量，并通過模塊化的搭建方式組合模塊，實(shí)現(xiàn)高效的項(xiàng)目推理部署。