制造業(yè)離不開質(zhì)檢。我們目之所及的產(chǎn)品，都是經(jīng)過工業(yè)質(zhì)檢環(huán)節(jié)才順利
各行各業(yè)對質(zhì)檢的需求旺盛
質(zhì)檢由于精細(xì)度要求高，占到工廠總?cè)肆Τ杀镜?0%。舉例來說，工業(yè)質(zhì)檢中的軸承瑕疵檢測目標(biāo)，可能是個(gè)小劃痕，也可能是小缺口。這種情況下，瑕疵視覺感官并不直觀。在整個(gè)人力檢測過程中，耗時(shí)多、人力投入高。而質(zhì)檢效率直接影響到企業(yè)生產(chǎn)以及交付效率。因此，工業(yè)質(zhì)檢的智能化賦能已經(jīng)成為節(jié)省成本，提高產(chǎn)能的必然趨勢。
工業(yè)質(zhì)檢方向，經(jīng)歷三個(gè)過程的演變：
從上圖可以看到，在深度學(xué)習(xí)階段，可以逐步解決缺陷形態(tài)復(fù)雜、環(huán)境復(fù)雜的目標(biāo)，可解決的范圍更大，覆蓋的場景更多。但深度學(xué)習(xí)使用門檻較高，在AI開發(fā)階段，對原始數(shù)據(jù)的要求更高，對開發(fā)人員的要求也更高。
那么，有沒有一個(gè)簡單上手同時(shí)確保高效質(zhì)檢的方法呢？
汽車零部件AI質(zhì)檢痛難點(diǎn)
本期案例企業(yè)來自于工業(yè)軸承質(zhì)檢方向的解決方案提供商——韋士肯，在軸承質(zhì)檢方向有很深的業(yè)務(wù)場景及技術(shù)積累；但在AI算法領(lǐng)域，缺少足夠深的技術(shù)沉淀。在智能化賦能過程中，企業(yè)遇到的缺陷檢測問題，主要包括內(nèi)部材質(zhì)檢測、尺寸/形位檢測及外觀缺陷檢測。
缺陷類型及企業(yè)
內(nèi)部材質(zhì)檢測：包括材料成分、氣孔及硬度檢測，當(dāng)前主要用到的技術(shù)是EM電磁技術(shù)及超聲波技術(shù)做相關(guān)檢測；
尺寸/形位檢測：如檢測軸承的直徑、高度以及壁厚是否達(dá)到要求，當(dāng)前是通過3D激光以及微磁場技術(shù)做檢測；
外觀缺陷檢測：包括表面的劃痕、磕碰、內(nèi)部的銹跡。傳統(tǒng)的機(jī)器視覺暫時(shí)無法解決相對不規(guī)則的問題，包括缺陷的定位，通常都是依賴人工檢測。
該企業(yè)前期也嘗試過組建算法團(tuán)隊(duì)做AI開發(fā)，解決檢測智能化問題，但組建算法團(tuán)隊(duì)所需的算法人員、投入研究過程的時(shí)間成本、AI訓(xùn)練需要投入的服務(wù)器等機(jī)器成本累加起來，預(yù)估達(dá)到百萬級。該企業(yè)的核心訴求是希望能夠降低前期探索階段的投入，利用AI賦能外觀缺陷檢測場景，從而提高整體質(zhì)檢環(huán)節(jié)的效率，以上是該企業(yè)用戶的需求背景。
作為一家深耕軸承質(zhì)檢多年的解決方案提供商，他們在智能化轉(zhuǎn)型的過程中遇到了以下主要問題：
首先，如何降低業(yè)務(wù)探索階段的成本投入？
第二，如何對瑕疵缺陷做到精確的標(biāo)注，從而提供高質(zhì)量的訓(xùn)練數(shù)據(jù)？
第三，如何收集到各種瑕疵缺陷的數(shù)據(jù)，彌補(bǔ)缺陷樣本少的痛點(diǎn)？
第四，如何適配各種硬件，簡單高效完成部署工作？如何保證預(yù)測效率？
那么該企業(yè)用戶是如何通過飛槳EasyDL逐一解決問題，并獲得高收益的呢？
基于飛槳EasyDL打造的
成品軸承視覺檢測解決方案
首先，針對汽車軸承的缺陷進(jìn)行分析，從而初步確定需要應(yīng)用飛槳EasyDL哪一類模型。
結(jié)合缺陷特點(diǎn)，選擇適用的任務(wù)類型
基于缺陷分析確定使用飛槳EasyDL物體檢測及圖像分割模型。接下來圍繞端面的缺陷檢測著手?jǐn)?shù)據(jù)準(zhǔn)備→模型訓(xùn)練→模型部署。
數(shù)據(jù)準(zhǔn)備
待檢測的瑕疵缺陷過小，標(biāo)注難度大，同時(shí)標(biāo)注數(shù)量大，人力成本高。在飛槳EasyDL的標(biāo)注界面上，提供很多放大或縮小工具們對于缺陷較小的目標(biāo)物，可以按需縮放從而進(jìn)行精準(zhǔn)標(biāo)注。如下圖：
而面對數(shù)據(jù)量大的情況，可采用智能標(biāo)注功能。少量標(biāo)注后啟動(dòng)智能標(biāo)注，可對已標(biāo)注好的圖片進(jìn)行智能分析，進(jìn)而將剩余圖片進(jìn)行一鍵標(biāo)注。以該企業(yè)為例，200張圖片手動(dòng)標(biāo)注用時(shí)3小時(shí)，剩余600張圖片智能標(biāo)注僅耗時(shí)1小時(shí)。
模型訓(xùn)練
部分瑕疵缺陷的樣本量少，如何提升數(shù)據(jù)利用率？借由飛槳EasyDL的數(shù)據(jù)增強(qiáng)功能，可將一張圖片衍生多張圖片，提高數(shù)據(jù)利用率。同時(shí)，通過自動(dòng)超參搜索策略，完成相對復(fù)雜場景數(shù)據(jù)訓(xùn)練的利用率，同時(shí)可以產(chǎn)出基于這個(gè)場景最優(yōu)的參數(shù)組合，達(dá)到更高的模型精度。如果目標(biāo)檢測物過小，可以選擇小目標(biāo)檢測算法。該企業(yè)在該場景中，選擇800張缺陷圖片，無代碼訓(xùn)練出精確率達(dá)90%的可用模型。
模型部署
企業(yè)遇到的問題是整體預(yù)測時(shí)延會(huì)直接影響到質(zhì)檢效率。使用EasyDL提供的模型加速功能，在精度無損的情況下壓縮模型體積，降低預(yù)測時(shí)延。該企業(yè)將模型壓縮后部署在T4服務(wù)器上，單圖片預(yù)測可在100ms內(nèi)完成。
同時(shí)，飛槳EasyDL產(chǎn)出的模型硬件適配廣泛，通過平臺一鍵導(dǎo)出適配主流硬件的SDK包完成模型部署。對于企業(yè)來說，不需要再去額外做硬件工作的適配，
最終，該企業(yè)打造了基于飛槳EasyDL的成品軸承視覺檢測解決方案?；陲w槳EasyDL機(jī)器學(xué)習(xí)檢測算法，使用工業(yè)相機(jī)對產(chǎn)線上的軸承進(jìn)行圖片拍攝，通過傳感器獲取軸承的幾何參數(shù)繪制成圖像，生產(chǎn)現(xiàn)場的服務(wù)器進(jìn)行圖像分類和檢測，判斷軸承的外觀質(zhì)量是否符合要求，可檢測軸承的擦傷、磕碰傷、磨傷、削料、銹蝕等瑕疵。
進(jìn)階攻堅(jiān)
金屬零部件質(zhì)檢方案解析
看完上述汽車零部件質(zhì)檢案例，你是否也對AI質(zhì)檢有了更為具象的理解。我們把質(zhì)檢問題升級：如果目標(biāo)檢測物是金屬或玻璃等易反光物體，這種情況下質(zhì)檢的精度和效率如何保證？如何避免無效數(shù)據(jù)（反光嚴(yán)重、曝光高）的收集？
本期飛槳EasyDL-工業(yè)金屬零部件瑕疵質(zhì)檢案例課程，特邀資深產(chǎn)業(yè)專家，深度剖析AI質(zhì)檢在數(shù)據(jù)采集鏡頭選型/反光數(shù)據(jù)處理/標(biāo)注等痛難點(diǎn)。帶大家全流程了解AI質(zhì)檢實(shí)現(xiàn)路徑，讓AI質(zhì)檢，一步到位。