深度学习在AOI上的创新应用——“追光”AI-AOI首发收藏

在智能制造过程中，机器视觉是实现工业自动化和智能化的必要手段，相当于为机器装上了眼睛与大脑机器视觉具有高度自动化、高效率、高精度等优点，但是随着自动化工业的进一步深入，传统机器视觉在缺陷检测方面的局限性逐渐显露。

无法分析无规律图像、检测精确度较低、实现自动化检测进入壁垒高等等，这些都成为制约智能制造向纵深发展的重要因素某些传统的机器视觉检测，因为有许多不易被机器识别的变量，所以编程也比较困难，例如照明、颜色变化、视野等。

在DIP工艺波峰焊炉后检测中尤为凸显，缺陷种类多，形态复杂，焊点的形态千变万化，基于OK规则的传统算法疲于应付，传统AOI在实际检测中，会普遍存在以下核心痛点：（1）操作复杂、调试时间长波峰焊的焊点形态变化大，传统算法需针对每一类焊点进行调试，大大增加了调试时间。

同时，还对人员的熟练程度有要求，一旦人员流动，难以延续设备检测效果，从而影响生产效率（2）误判高传统算法难以兼容焊点的多形态特征，误判比较高，大大增加了操作员复判的工作量过多的误判，操作员容易疲劳，漏检的风险随之增加。

形态各异的焊点图像使用传统算法，不管从颜色提取、灰度计算还是模板匹配等，操作人员可能都不得不为每一类焊点制作一个OK规格，这样就会耗费较多的调试时间随着例外和缺陷库的增大，算法也会变得越来越有挑战性换句话说，到了特定的时候，工厂自动化中需要的某些应用将无法再依靠基于规则的机器视觉。

基于深度学习的AOI而借助深度学习这项技术便可以达到另一种效果：生产线上更加一致、更加可靠且更快速地完成任务数之联追光 AI-AOI是一款基于深度学习，核心采用自研深度学习目标检测与异常检测框架的产品，该产品检出率可达99.99%，误判率低于3000PPM。

基于深度学习的焊点识别该产品通过行业收集的海量缺陷图片数据，高效训练出深度学习神经网络模型，可自动从图片中提取缺陷特征，有效解决传统算法无法提取关键缺陷特征的问题通过AI模型，自动识别焊点位置，一个检测框即可覆盖各类缺陷的检测，大大缩短了调试时间。

10分钟之内便可完成程序的制作

自动搜索焊点位置基于深度学习的焊点识别，追光AI-AOI可精准定位缺陷位置，对多种形态各异的焊点做出准确的判断，解决传统算法仅对缺陷进行OK/NG粗分类问题。

缺陷类型

智能识别各类焊点缺陷· 算法特点固定形状的传统卷积核，难以应对多样复杂的检测场景。数之联使用的可变卷积通过偏移改变了感受野的范围，感受野成了一个多边形，更好的捕捉缺陷的特征信息。

可变卷积· 产品亮点更简单的人机交互：传统算法调参复杂、上手困难，拉高了企业招聘难度，深度学习模型下人机交互快速简单，新人可2小时快速上手更细致的缺陷识别：基于深度学习的检测算法比传统机器视觉检测具有更高的检测精度，其中检出率可以达到99.99%，误判率低于3000PPM。

更精准的缺陷分类：基于深度学习的焊点识别告别粗分类纵观行业发展，将SMT-AOI用作DIP-AOI存在一些问题，也不方便调试当前传统AOI虽为主流，但伴随着工厂对工艺日益极致的要求，操作更简单、误判率更低，搭载深度学习算法的AOI会更加适应市场需求。

助力中国制造2025，全面推动智能智造向更高水平发展，数之联会一直致力于为工厂提供降本增效的解决方案

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。