iSense AI先进图像处理平台,做工业智能化检测“实干家”收藏

网友投稿 314 2024-01-11


近年来,人工智能发展已经进入深水区,其中,深度学习计算机视觉检测作为人工智能领域的一个重要方向,竞争尤为激烈,虽然在研究发展过程中已取得了巨大成功,但仍具备明显的局限性以AI在工业中的实际应用为例,在项目现场落地中遇到样本匮乏、算力要求高、标准时间长、项目实施长尾效应等问题时,深度学习的通用性和灵活性明显受到限制,难以满足高算力、低样本的需求,为AI的突破提升带来一定的挑战。

iSense AI先进图像处理平台,做工业智能化检测“实干家”收藏

深度学习计算机视觉极限将至,我们该如何找到突破口?自深度学习的第三次发展浪潮开始,人工智能已发展得更迅猛、更智能、功能也愈加强大例如,在图像识别领域的应用,深度学习使得计算机在识别图像中的物体和场景方面更精准,更高效,甚至表现优于最出色的人工检测员。

现如今AI在工业上的应用已非常普遍,但其功能在落地应用中主要以基础识别和检测功能为主,同质化较为严重,工具应用大多也处于初级阶段随着客户业务需求及创新性应用需求的增加,对AI推理和训练的效率和质量,都提出了更为严苛的要求,视觉检测企业竞争的热点,也从AI初始布局的逐鹿争先、打造“新概念”,逐步迭代为让深度学习计算机视觉检测技术走出象牙塔,让计算机、自动化设备能够真正理解图像,赋予机器“看懂”的能力,以保证与现实世界进行富有意义的交互。

如何进一步推动AI深度学习图像检测技术升维,华汉伟业研发人员从数据、算力、算法这三个方面寻找了新的突破口基于深度学习的图像分析,旨在打造一个“既准,又省,还快” AI视觉软件,解决传统图像处理依赖于规则检测的问题,提高机器自学习能力,从而快速实现非标项目的开发。

通常而言,深度学习在数据、算力和算法之间仍存在一些原生矛盾:数据类型的宽度越大,能表达的动态范围和精度也就越高,而这也就意味着需要更多的存储空间,同时对算力也带来了挑战;在算法层面,算法的效率和优化程度也直接影响计算机的算力。

因此,在华汉伟业在打造iSense  AI视觉软件中,需要三大要素共同发力:“简化数据,强化算力,优化算法”,而三要素在调优的过程中,算法上的革新是iSense的重中之重。

图1华汉伟业新一代iSense  AI检测平台:“走出检测象牙塔,为智能制造打开新视域”在工业质检过程中,传统算法是通过自定义规则函数来对数据进行计算的,而随着生产过程缺陷种类的增多,人工不能定义出所有的可能性,因此传统视觉检测算法适合识别和检测简单且有规律的缺陷;而深度学习可通过机器自学习的方式,自动提取缺陷样本数据的特征,实现对复杂无规律的产品缺陷进行精准的判别,同时通过对缺陷样本数据的训练,可以实现对模型的定制和优化。

因此,相比传统算法而言,深度学习算法可适用于复杂的检测场景,大数据学习可以达到高准确率、低误判率的效果华汉伟业iSense AI视觉检测软件,通过将深度学习算法与传统检测算法融合,强化了检测效果,同时也降低了对算法的依赖,可以快速实现非标项目的开发,满足客户个性化定制开发需求。

图2iSense AI先进图像处理平台,通过TensorRT(深度学习)加速技术,以多种模型压缩方式,达到准、省、快,性能提升3-5倍,实现低精度成就高效率!iSense检测平台在进行模型训练的过程中,相较于国内大多数视觉检测公司,不仅支持2D单图像输入,同时,还可实现2D多图像、3D图像、2D+3D图像输入,涵盖了预处理、分割定位+模板匹配、分类鉴别+相交断线三大步骤,有效解决缺陷太小、尺寸、色差、旋转差异引起的性能下降等问题,在算力对比测试中,处于行业领先水平。

图3同时,iSense检测平台,以AI技术为基础,通过在“多模态学习、实例分割、3D+2D分割、3D+2D分类、旋转目标检测、对比学习、缺陷样本自动生成、无监督学习”等8大产品特色工具的开发,实现了算法平台化,助力工业产线快速部署,辅助企业提升产品质量和制造工艺改善。

图4AI时代,应用为王如何评判一个新技术是否能引领未来的发展方向?我们要看它能否从本质上解放生产力、发展生产力,而在AI+制造业的中,判断一个软件是否能被市场所接受和承认,我们要看它能否以最具性价比的方式,解决行业的痛点和难点问题,真正帮助制造企业实现质检的“多快好省”。

突破应用难点,做工业智能化检测“实干家”针对于制造业质检小批量快速投产的需求,华汉伟业iSense检测软件,秉承着做工业智能化检测“实干家”的初衷,实现了“想到”、“做到”、“用到”技术层面的落地以实际应用案例为例:在锂电池工业生产过程中,顶盖焊的焊接质量检测受焊接技术水平、环境以及生产工艺的影响较大,对针孔的大小、漏检率和误检率要求极高,这是行业一大痛点,iSense基于2D+3D分类/分割专利技术的应用,可有效识别0.1mm的针孔大小,误判率≤0.3%,行业在此项目的误判率要求≤1%。

图5在包蓝膜外观缺陷检测中,主要的难点在于:材料本身高反光、低对比度的光学特性致使许多缺陷特征不明显(如凹点和变形非常平缓,普通相机图像对比度非常低,很难识别缺陷、气泡和折痕),传统算法过杀率和漏检率极高;缺陷种类多,如气泡、褶皱、压伤、脏污、膜破等,缺陷种类样本难以收集;产线节奏快,对软件的算法效率的要求较高,因此该项目也是行业需要重点攻克的难题。

公司在该项目上持续攻坚,基于相位偏折的多种类型图像单一模型检测技术,克服高反光低对比度的问题,采用分时频闪检测方案,打造高性价比的落地方案,漏判率为0,误判率≤1%,而行业在此项目的误判率要求≤1.5%;同时该方案节省了30%的项目落地成本,得到了客户的一直好评。

图6在转接片焊点的数量和位置检测中,重点要实现对黏连物体的计数和面积统计,公司使用iSense深度学习模块实例分割的方法,对缺陷进行像素级的检测,可以准确统计出焊点的个数,以及焊点的面积、长、宽等信息,解决缺陷尺寸及对比度(灰度值差异)较少,造成漏判、误判等问题,达到0漏判率和0误判率检测水准。

图7在极耳翻折检测案例中,采用iSense软件中2D分割+分类组合工具,对极耳原图先进行分割再将分割出来的区域作分类判断,借助AI技术对电池极片的制造过程中产生的缺陷,进行精准检测和判别,剔除不良品,漏判率为0,误判率≤0.5%,而行业在此项目的误判率要求≤1%。

图8核心技术壁垒持续攻坚,拓展AI应用边界智能制造须与制造业企业的思维同频,从实际困难出发,来倒推可能的解决方案”,作为工业AI检测的“实干家”,华汉伟业始终站在制造企业的角度,从各个维度来分析AI工业落地的痛难点问题,倒推AI产品需要升级和优化的功能,不断的迭代解决方案。

华汉伟业通过技术的革新,攻克深度学习检测技术壁垒,打造差异化AI检测软件,并且将自己的技术产品落实到实处,拓宽AI+应用边界,未来,华汉伟业将继续专“精”于自己的领域,以更加强大、齐备的功能和更高的性价比,成为工业AI检测专家。

(文章来源于深圳市华汉伟业科技有限公司 张冉)

版权声明:本文内容由网络用户投稿,版权归原作者所有,本站不拥有其著作权,亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容,请联系我们jiasou666@gmail.com 处理,核实后本网站将在24小时内删除侵权内容。

上一篇:机器人与机器视觉软件实现完美交互收藏
下一篇:智能补帧(通过AI技术提高视频流畅度)
相关文章

 发表评论

暂时没有评论,来抢沙发吧~