自動化的外觀缺陷檢查可能是一項挑戰性的工作——過去的計算機視覺工作需要幾個月的編碼和調試。然而，現在有一種更有效的方法利用深度學習來解決機器視覺問題。現在，這些智能機器可以學習如何使用基於人類學習的示例訓練來識別缺陷。
深度學習技術使用神經網絡，模擬人類智能，在容忍複雜模式自然變化的同時，區分化妝品異常。基於深度學習的系統擅長檢查複雜的表面和外觀缺陷，如光滑、光亮或粗糙零件上的劃痕和凹痕。
智能檢測技術在提高生產率、重複性和生產能力方面取得了成功。麥肯錫稱，如果製造商使用先進的圖像識別技術進行視覺檢測和檢測，生產率可能會提高50%。基於人工智能或人工智能的圖像識別與人工檢測相比，可以提高高達90%的缺陷檢測率。
人工智能、機器學習和深度學習 定義
智能機器的智能化取決於使用的人工智能類型——機器學習或深度學習。這些術語通常可以互換使用，但技術不同。
在高層次上，人工智能是以模仿人類獨特的推理能力為目標，利用軟件使機器智能化的一般領域。機器學習使用算法從數據中發現模式併產生洞察力。機器學習利用深度學習、迴歸分析、貝葉斯網絡、邏輯規劃和聚類等技術將人工智能應用到系統中。
深度學習是機器學習的一個分支，它通過創建人工神經網絡（ann）來模擬人腦中的神經網絡。就像人腦解決問題一樣，軟件接受輸入、處理輸入並生成輸出。該方法使用通過訓練程序調整的權重來教神經網絡如何正確響應輸入。因此，更多的重複教學使人工神經網絡更強大，從而更好地識別或預測。它就像一個孩子學習識別字母表或乘法表。
在工廠部署自動化缺陷檢測
人們越來越需要檢測消費電子產品和醫療設備中的微米級缺陷。與測量特定零件位置的計量學不同，缺陷出現在多個位置和組合中。例如，智能手機可能在多個地方有劃痕、凹痕和缺口，包括外殼、曲面和護蓋玻璃。製造商需要對整個零件進行加工以捕獲這些缺陷。
深度學習系統可以檢測智能手機外殼上的缺陷（右圖）。
深度學習在醫療器械製造業也有一些用途。可發現股骨膝關節假體劃傷等缺陷，並可對3類器械的包裝密封進行檢查。深度學習視覺還確保在裝配驗證過程中所有組件都存在於包中，例如外科工具包中的零件。除了缺陷檢測之外，深度學習還可以經常對缺陷類型進行分類，從而實現閉環過程控制。
當培訓一個深度學習系統時，重要的是創建一個樣本圖像的數據集來構建和培訓模型，從每個缺陷30到50個圖像開始，每個好的部分數量相同。然後可以添加新圖像以反映錯誤的拒絕和接受案例。通過定義一系列零件、材料和缺陷類型，製造商可以強調培訓集的可變性。還建議兩位人類專家對圖像進行獨立分級以供驗證，並確認他們的判斷之間的一致性。通常每個缺陷需要一週的時間來訓練模型。
在選擇最佳圖像來訓練系統時，垃圾輸入、垃圾輸出的概念至關重要。在預期的光照和光學條件下，收集好的和壞的部分的圖像數據集是理想的。捕捉困難表面的高對比度圖像-如玻璃和鏡面紋理彩色材料-需要定製的照明技術、先進的成像和精確的零件操作。
與右側的高分辨率圖像相比，左側的低對比度圖像中的缺陷很難檢測。
低質量的圖像使軟件和人工評分者都難以進行培訓，從而導致分類和重複性問題。為了儘量減少假陰性和陽性，嘗試使用5到10像素的高對比度圖像來描述最小的缺陷。例如，當檢查智能手機上的劃痕時，機器視覺將放大以聚焦在5微米分辨率級別的圖像上。具有高質量的圖像可以幫助分級人員驗證圖像，並幫助軟件識別劃痕缺陷和可接受的加工標記之間的差異。
當深度學習視覺系統準備好進行批量生產檢查時，請考慮使用兩層檢查方法。在第1層中，對所有零件使用具有深度學習機器視覺的自動檢查。然後在第2層中，手動確認所有邊界缺陷零件的結果。 這為深度學習系統的增量式訓練改進提供了可靠度和冗餘度。
無論是用於特徵的定位、讀取、檢測或分類，基於深度學習的圖像分析都是一種快速、靈活的提高零件質量的方法。
