基于机器视觉和深度学习的智能缺陷检测

自亨利·福特首次引入装配线系统以来，质量控制一直是制造中的一个关键因素其理念是，质量可以通过大规模生产流水线来实现，只要每个人在生产过程中各尽其责从那时起，我们显然已经走了很长一段路传统的装配线仍然以许多形式存在，尽管机器已经取代了许多手工过程。

? ?然而，质量控制仍然是个问题而且成本高昂:许多公司的质量相关成本高达销售收入的15%-20%在某些情况下，这些甚至可以达到总操作数的40%欧盟委员会还估计，在某些行业，50%的生产可以由于缺陷而报废;在复杂的生产线上，不良率可以达到惊人的90%。

? ?对于制造商来说，最大的问题是，即使是生产过程或材料上的微小差异(肉眼看不见)也会使整个生产过程出现缺陷当然，这些零件不会到达最终用户由于广泛的后期生产质量检查然而，依赖当前的(大部分是手工的)缺陷检查实践意味着，在发现缺陷之前，可以花费大量的成本来制造数以千计的产品。

从手动到自动光学检查 ? ?如前所述，手工检查产品、部件和组件可能是一个繁琐而昂贵的过程首先，她需要对品质管理检查人员进行专业的培训；其次，这种检查可能导致生产/上市时间线出现瓶颈；第三，手工检查不像产品那样规模化——需要进一步培训，以便有足够的人员及时进行检查。

? ?由机器视觉驱动的自动光学检查(AOI)取代了更麻烦、更容易出错的手工检查新型AOI系统配备多摄像头，从简单的XGA(扩展图形阵列)单元到高分辨率、数百万像素的视频传感器根据相机类型的不同，AOI系统既可以提供被检物品的单色图像，也可以提供被检物品的彩色图像，所捕获的图像可以跨越很广的范围，从仅有的数千个数据点到数百万个数据点。

自动光学检查的好处是多方面的:●这种系统能够在制造过程中早期发现错误，并帮助确保产品在进入下一个制造步骤之前的提高质量●AOI帮助收集用于改进生产线的历史和生产统计数据●它将有助于减少材料浪费，维修和返工成本，以及增加制造劳动力的时间和费用。

AOI系统可编程使用不同的技术进行质量保证和缺陷检查，例如:●模板匹配:系统通过编程将获得的项目图像与完美制作的、无缺陷的项目图像进行比较系统首先了解产品某一部分的所有正确属性，然后根据估计的标准评估产品的质量。

●模式匹配:系统存储好程序集和坏程序集的信息，比较和比较实际产品和可用模式●统计模式匹配:在这种情况下，系统存储多个产品和多个类型的缺陷的结果，这样它就能够在不标记错误的情况下为可接受的小偏差开绿灯 ? ?自动化光学检测系统已经成为质量控制的一个重大突破，在整个生产过程中提供了更准确和快速的检测。

然而，它仍然不是自动化缺陷检查的顶峰 ? ?通过结合人工智能和深度学习，不仅可以对已经生产的产品进行光学检测图像处理，还可以识别缺陷，随着时间的推移，可以了解更多不同类型的缺陷(无需显式编程)最终，它的目标是进行预测分析，从而达到无错误的生产。

人工智能和深度学习如何能进一步改善视觉检测过程 ? ?尽管自动化光学系统是一种强大的缺陷检测方法，但它们仍然相对较慢、不准确且维护成本昂贵随着工业4.0的快速转型在美国，大多数公司都不能再浪费时间和资源在长期设置上。

例如，由于AOI很难隔离(例如，光照、曲率变化、颜色等)的许多变量，最终的装配验证程序极其困难虽然统计模式匹配可以帮助容忍一些变化的项目的外观，复杂的表面纹理和图像质量问题可以提出一些严重的检查挑战此外，机器视觉系统通常无法处理以下问题: ? ?它们无法正确区分视觉相似部分之间的变化和偏差。

? ?此外，他们还难以正确区分“功能”缺陷（几乎总是导致拒收）和“外观”缺陷（部件整体外观的一些轻微问题，制造商认为这些问题并不重要） ? ?计算机视觉和基于深度学习的系统已经成为AOI系统的有力替代品，解决了上述缺点。

什么是计算机视觉? ? ?计算机视觉是人工智能和机器学习的一个子领域，它基于特定的算法和其他方法，使计算机能够理解数字图像的内容简而言之，计算机视觉软件试图再现人类视觉的能力大多数计算机视觉工具的目标是解决两个特定的任务: ? ?对象分类:模型是在特定对象(例如缺陷图像)的数据集上进行训练的，然后它将新对象分类为属于您的一个或多个训练类别。

? ?对象识别:对模型进行训练，以识别对象的特定实例例如，当它确定图像中的两个组件时，可以将其中一个标记为电路板，另一个标记为微控制器以下是计算机视觉的工作原理: ? ?在本例中，解释设备(计算机+软件)是执行大部分工作的元素。

模型在机器学习和深度学习技术的帮助下训练，将传入的视觉数据分解为像素，然后根据各种参数对其进行评估，并与数据集中的其他图像进行比较，找到最佳的“匹配”，并对其进行有效的预测在这一点上，回顾一下什么是深度学习是很重要的。

“深度学习是机器学习的一个分支，强调通过提供一个例子来教计算机像人类一样学习” ? ?与机器学习不同的是，深度学习模型不需要不断地用明确的指令编程来分析数据通常，这些模型只提供了一个包含大量相关信息的数据集和一些初始参数，以便对数据进行操作。

他们可以搅乱这些数据，并自学预测哪个输出(例如，分类)准确与否 ? ?神经网络和深度学习模型可以帮助克服当前AOI系统的局限性

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。