傳統(tǒng)的人工檢測(cè)表面缺陷檢測(cè)的方法因?yàn)榭臻g與時(shí)間分辨率有限，存在很多不足之處，人眼視覺所能檢測(cè)的缺陷尺寸需要大于0.5mm，且需要較大的光學(xué)形變(64灰度級(jí))，同時(shí)當(dāng)待測(cè)物體的運(yùn)動(dòng)速度達(dá)到3m/s時(shí)，人眼將不能發(fā)現(xiàn)缺陷的具體形態(tài)，并且由于人眼會(huì)疲勞，會(huì)有比較高的誤檢率及漏檢率。

  得益于圖像處理、模式識(shí)別等技術(shù)的發(fā)展，以機(jī)器視覺為主的表面缺陷檢測(cè)方法在產(chǎn)品質(zhì)量控制環(huán)節(jié)中得到了廣泛的應(yīng)用。機(jī)器視覺瑕疵檢測(cè)可到微米級(jí)，機(jī)器快門時(shí)間可以達(dá)到微秒級(jí)，識(shí)別和判斷穩(wěn)定，檢測(cè)效率得到提升。但是表面缺陷檢測(cè)系統(tǒng)的核心在于缺陷檢測(cè)算法，這一階段的缺陷檢測(cè)算法主要是統(tǒng)計(jì)、光譜、模型、學(xué)習(xí)和結(jié)構(gòu)，過程分為圖像預(yù)處理、目標(biāo)提取、特征選擇及模式分類，每個(gè)環(huán)節(jié)都會(huì)對(duì)模型的識(shí)別率產(chǎn)生影響。尤其在數(shù)據(jù)量較大且復(fù)雜的情況下，特征選擇的難度會(huì)增加。同時(shí)在測(cè)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(chǎn)檢測(cè)技術(shù)不斷推陳出新。深度學(xué)習(xí)技術(shù)則推動(dòng)AI人工智能快速進(jìn)入生產(chǎn)制程。

  深度學(xué)習(xí)：深度學(xué)習(xí)的思想源自于“人工神經(jīng)網(wǎng)絡(luò)”，從大腦中汲取靈感，模擬人腦分析問題機(jī)制并建立分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)的基本構(gòu)建模塊是人工神經(jīng)元-模仿人類大腦神經(jīng)元。正如大腦數(shù)十億個(gè)神經(jīng)元神經(jīng)元分布在神經(jīng)網(wǎng)絡(luò)的幾個(gè)層中，之間有數(shù)萬個(gè)連接，深度學(xué)習(xí)模型涉及大量的計(jì)算單元，它們彼此交互時(shí)對(duì)所建模數(shù)據(jù)潛在分布的多層表征進(jìn)行自主學(xué)習(xí)。

  深度學(xué)習(xí)技術(shù)賦能機(jī)器視覺，在特征自主學(xué)習(xí)及識(shí)別任務(wù)中擁有更好的表現(xiàn)，可以自動(dòng)對(duì)輸入樣本進(jìn)行特征提取。相比于傳統(tǒng)的機(jī)器視覺方法，基于深度學(xué)習(xí)的視覺缺陷檢測(cè)系統(tǒng)可以減少手動(dòng)提取特征對(duì)識(shí)別精度的影響，更*的檢測(cè)并識(shí)別產(chǎn)品表面缺陷。針對(duì)檢測(cè)目標(biāo)特征復(fù)雜及提取困難的問題，深度學(xué)習(xí)也能夠提供很好的解決方法。所以說，基于深度學(xué)習(xí)的機(jī)器視覺瑕疵檢測(cè)系統(tǒng)有效地控制了產(chǎn)品表面質(zhì)量，從而改善企業(yè)的生產(chǎn)控制過程和提升競(jìng)爭(zhēng)力。

  作為計(jì)量和制造技術(shù)方案專家，七海測(cè)量致力于協(xié)助工業(yè)制造企業(yè)開發(fā)技術(shù)和改變未來的產(chǎn)品。為了契合3C行業(yè)日趨嚴(yán)苛的高效高標(biāo)準(zhǔn)瑕疵檢測(cè)需求，七海測(cè)量歷經(jīng)了近三年時(shí)間自主研發(fā)基于深度學(xué)習(xí)的Proxima瑕疵檢測(cè)軟件系統(tǒng)和多套硬件型號(hào)，凝聚多項(xiàng)先進(jìn)技術(shù)，解決客戶在產(chǎn)品表面瑕疵檢測(cè)環(huán)節(jié)遇到的各種問題：

  對(duì)工件的缺陷進(jìn)行精準(zhǔn)定位和識(shí)別，高效訓(xùn)練并快速輸出直觀的檢測(cè)結(jié)果。七海測(cè)量基于深度學(xué)習(xí)的機(jī)器視覺瑕疵檢測(cè)應(yīng)用深度學(xué)習(xí)中不同類型即層次的神經(jīng)網(wǎng)絡(luò)，比如卷積神經(jīng)網(wǎng)絡(luò),循環(huán)神經(jīng)網(wǎng)絡(luò),長(zhǎng)短期記憶對(duì)深度學(xué)習(xí)訓(xùn)練的模型和速度進(jìn)行優(yōu)化，使我們的瑕疵檢測(cè)在短時(shí)間內(nèi)可達(dá)98%的準(zhǔn)確率。

                  精準(zhǔn)定位和檢測(cè)結(jié)果

  系統(tǒng)設(shè)計(jì)簡(jiǎn)潔，深入淺出。從樣本標(biāo)注到模型訓(xùn)練、再到檢測(cè)各環(huán)節(jié)緊密相扣，Proxima瑕疵檢測(cè)軟件系統(tǒng)將復(fù)雜的神經(jīng)網(wǎng)絡(luò)用簡(jiǎn)單的方式呈現(xiàn)給客戶使用，系統(tǒng)采用 Microsoft Office GUI標(biāo)準(zhǔn)，無需深入了解底層算法也可快速入手。

                       軟件標(biāo)注界面

  提供多種訓(xùn)練模型及方法，適用性強(qiáng)。Proxima瑕疵檢測(cè)軟件系統(tǒng)訓(xùn)練模型時(shí)可根據(jù)產(chǎn)品特征選擇的深度學(xué)習(xí)模型，能夠快速準(zhǔn)確的學(xué)習(xí)到瑕疵特征，適用性強(qiáng)，可應(yīng)對(duì)復(fù)雜軟件訓(xùn)練界面

  導(dǎo)出報(bào)告即可查看檢測(cè)結(jié)果分布情況，透視直觀。通過Proxima瑕疵檢測(cè)軟件系統(tǒng)檢測(cè)后，可以在報(bào)告中直觀的看到檢測(cè)結(jié)果分布情況，包含缺陷位置、形態(tài)大小和類型等，并可以導(dǎo)出為html網(wǎng)頁文件報(bào)告，通過網(wǎng)頁瀏覽器即可打開，輕松方便的保存記錄測(cè)試結(jié)果。

                          軟件檢測(cè)界面

  區(qū)別于其他傳統(tǒng)的缺陷檢測(cè)方式，七海測(cè)量的Proxima瑕疵檢測(cè)系統(tǒng)只需要少量的瑕疵圖片*可在短時(shí)間內(nèi)進(jìn)行大規(guī)模的訓(xùn)練。而且采用GPU專用處理算法，大幅提升檢測(cè)效率，以及通過基于深度學(xué)習(xí)的檢測(cè)算法,可以提高準(zhǔn)確度，降低漏檢率和過殺率。

  另外，七海測(cè)量將瑕疵檢測(cè)與尺寸檢測(cè)合二為一，解決用戶瑕疵需求的同時(shí)也解決用戶尺寸的檢測(cè)需求。這項(xiàng)功能可謂是一舉兩得，減少了大量的時(shí)間和投資成本，提升了產(chǎn)品質(zhì)量的同時(shí)也驅(qū)動(dòng)產(chǎn)量的提升。

  簡(jiǎn)而言之，借助于深度學(xué)習(xí)的新技術(shù)，七海測(cè)量的瑕疵檢測(cè)系統(tǒng)支持少量樣本訓(xùn)練，簡(jiǎn)單上手易操作，高效高質(zhì)檢測(cè)。這套基于深度學(xué)習(xí)的瑕疵檢測(cè)系統(tǒng)可以廣泛應(yīng)用于不同行業(yè)，比如電子行業(yè)，玻璃制造業(yè)， 3C 手機(jī)行業(yè)等。目前，七海測(cè)量已經(jīng)在多個(gè)項(xiàng)目中投入使用，為多個(gè)客戶創(chuàng)造了巨大的價(jià)值，比如聯(lián)想，綠點(diǎn)，富士康，東尼等知名公司。為智能制造持續(xù)賦能，幫助我們的客戶提質(zhì)增效，實(shí)現(xiàn)數(shù)字變革，是七海測(cè)量持之以恒的追求。