【基于AI的缺陷檢測】 Proxima- 基于深度學習的外觀瑕疵智能檢測軟件

曾經需要耗費大量的人力物力來檢測的劃痕、裂紋、雜質、斑點、氣泡等不規則/隨機性缺陷，如今利用AI人工智能領域的深度學習技術，自主研發的基于深度學習的Proxima外觀瑕疵智能檢測軟件讓外觀瑕疵檢測方式讓機器視覺檢測有了“大腦”，實現了實時在線、漏檢率和過殺率低、可追蹤性與高效率的智能缺陷檢測。

傳統的人工檢測表面缺陷檢測的方法因為空間與時間分辨率有限，存在很多不足之處，人眼視覺所能檢測的缺陷尺寸需要大于0.5mm，且需要較大的光學形變(64灰度級)，同時當待測物體的運動速度達到3m/s時，人眼將不能發現缺陷的具體形態，并且由于人眼會疲勞，會有比較高的誤檢率及漏檢率。

得益于圖像處理、模式識別等技術的發展，以機器視覺為主的表面缺陷檢測方法在產品質量控制環節中得到了廣泛的應用。機器視覺瑕疵檢測可達到微米級，機器快門時間可以達到微秒級，識別和判斷穩定，檢測效率得到提升。但是表面缺陷檢測系統的核心在于缺陷檢測算法，這一階段的缺陷檢測算法主要是統計、光譜、模型、學習和結構，過程分為圖像預處理、目標提取、特征選擇及模式分類，每個環節都會對模型的識別率產生影響。尤其在數據量較大且復雜的情況下，特征選擇的難度會增加。同時在測量效率方面存在很大的局限性。

近十年，3C智能硬件的快速迭代促使生產檢測技術不斷推陳出新。深度學習技術則推動AI人工智能快速進入生產制程。

深度學習

深度學習的思想源自于“人工神經網絡”，從大腦中汲取靈感，模擬人腦分析問題機制并建立分析學習的神經網絡。神經網絡的基本構建模塊是人工神經元-模仿人類大腦神經元。正如大腦數十億個神經元神經元分布在神經網絡的幾個層中，之間有數萬個連接，深度學習模型涉及大量的計算單元，它們彼此交互時對所建模數據潛在分布的多層表征進行自主學習。

深度學習技術賦能機器視覺，在特征自主學習及識別任務中擁有更出色的表現，可以自動對輸入樣本進行特征提取。

相比于傳統的機器視覺方法，基于深度學習的視覺缺陷檢測系統可以減少手動提取特征對識別精度的影響，更精確的檢測并識別產品表面缺陷。針對檢測目標特征復雜及提取困難的問題，深度學習也能夠提供很好的解決方法。所以說，基于深度學習的機器視覺瑕疵檢測系統有效地控制了產品表面質量，從而改善企業的生產控制過程和提升競爭力。

為了契合3C行業日趨嚴苛的高效高標準瑕疵檢測需求，海克斯康歷經了近三年時間自主研發基于深度學習的Proxima瑕疵檢測軟件系統和多套硬件型號，Proxima軟件凝聚多項先進技術，解決客戶在產品表面瑕疵檢測環節遇到的各種問題.

對工件的缺陷進行精準定位和識別，高效訓練并快速輸出直觀的檢測結果

?？怂箍祷谏疃葘W習的機器視覺瑕疵檢測應用深度學習中不同類型即層次的神經網絡，比如卷積神經網絡,循環神經網絡,長短期記憶對深度學習訓練的模型和速度進行優化，使我們的瑕疵檢測在短時間內可達98%的準確率。

系統設計簡潔，深入淺出

從樣本標注到模型訓練、再到檢測各環節緊密相扣，Proxima瑕疵檢測軟件系統將復雜的神經網絡用最簡單的方式呈現給客戶使用，系統采用 Microsoft Office GUI標準，無需深入了解底層算法也可快速入手。

提供多種訓練模型及方法，適用性強

Proxima瑕疵檢測軟件系統訓練模型時可根據產品特征選擇最佳的深度學習模型，能夠快速準確的學習到瑕疵特征，適用性強，可應對復雜多變的缺陷類型。

導出報告即可查看檢測結果分布情況，透視直觀

通過Proxima瑕疵檢測軟件系統檢測后，可以在報告中直觀的看到檢測結果分布情況，包含缺陷位置、形態大小和類型等，并可以導出為html網頁文件報告，通過網頁瀏覽器即可打開，輕松方便的保存記錄測試結果。

區別于其他傳統的缺陷檢測方式， Proxima瑕疵檢測系統只需要少量的瑕疵圖片就可在短時間內進行大規模的訓練。而且采用GPU專用處理算法，大幅提升檢測效率，以及通過基于深度學習的檢測算法,可以提高準確度，降低漏檢率和過殺率。

另外，Proxima軟件將瑕疵檢測與尺寸檢測合二為一，解決用戶瑕疵需求的同時也解決用戶尺寸的檢測需求。這項功能可謂是一舉兩得，減少了大量的時間和投資成本，提升了產品質量的同時也驅動產量的提升。

簡而言之，借助于深度學習的最新技術，Proxima瑕疵檢測系統支持少量樣本訓練，簡單上手易操作，高效高質檢測。這套基于深度學習的瑕疵檢測系統可以廣泛應用于不同行業，比如電子行業，玻璃制造業， 3C手機行業等。