應用背景

用戶和生產(chǎn)企業(yè)對產(chǎn)品質量的要求越來越高，除要求滿足使用性能外，還要有良好的外觀，即良好的表面質量。但是，在制造產(chǎn)品的過程中，表面缺陷的產(chǎn)生往往是不可避免的。

不同產(chǎn)品的表面缺陷有著不同的定義和類型，一般而言表面缺陷是產(chǎn)品表面局部物理或化學性質不均勻的區(qū)域，如金屬表面的劃痕、斑點、孔洞，紙張表面的色差、壓痕，玻璃等非金屬表面的夾雜、破損、污點，等等。

表面缺陷不僅影響產(chǎn)品的美觀和舒適度，而且一般也會對其使用性能帶來不良影響，所以生產(chǎn)企業(yè)對產(chǎn)品的表面缺陷檢測非常重視，以便及時發(fā)現(xiàn)，從而有效控制產(chǎn)品質量。

但何為缺陷？

當前對于缺陷有兩種認知的方式，第一種是有監(jiān)督的方法，利用標記了標簽的缺陷圖像輸入到網(wǎng)絡中進行訓練，此時"缺陷"意味著標記過的區(qū)域或者圖像。第二種是無監(jiān)督的方法，就是將正常無缺陷的樣本進行學習，學習正常區(qū)域的特征，網(wǎng)絡檢測異常的區(qū)域。

進行產(chǎn)品缺陷檢測的任務大致分為三個階段：缺陷分類、缺陷定位、缺陷分割。

傳統(tǒng)的工業(yè)生產(chǎn)制造，由于科學技術的限制仍然主要采用人工檢測的方法去檢測產(chǎn)品表面的缺陷，這種方法由于人工的限制和技術的落后，該方法抽檢率低、準確性不高、實時性差、效率低、勞動強度大、受人工經(jīng)驗和主觀因素的影響大，所以，基于機器視覺的檢測方法可以很大程度上克服上述弊端。

機器視覺在缺陷檢測領域的應用

機器學習領域，在深度學習還沒有發(fā)展的這么火熱之前， 國外幾款做的比較成功的視覺軟件，很多模塊都有定位，測量，檢測等功能?；趫D像處理和分析對產(chǎn)品可能存在的缺陷進行檢測，這種方法采用非接觸的工作方式，安裝靈活，測量精度和速度都比較高。

但這些傳統(tǒng)的方法來做缺陷檢測大多都是靠人來特征工程， 從形狀，顏色， 長度，寬度，長寬比來確定被檢測的目標是否符合標準，最終定義出一系列的規(guī)則來進行缺陷檢測。

傳統(tǒng)機器視覺

這樣的方法當然在一些簡單的場景中已經(jīng)應用的很好，唯一的缺點是隨著被檢測物體的變動，所有的規(guī)則和算法都要重新設計和開發(fā)，即使是同樣的產(chǎn)品，不同批次的變化都會造成不能重用的現(xiàn)實。

所以，傳統(tǒng)機器視覺算法通常處理容易提取，容易量化的特征：顏色、面積、圓度、角度、長度等。

但由于缺陷多種多樣，傳統(tǒng)的機器視覺算法很難做到對缺陷特征完整的建模和遷移，復用性不大，要求區(qū)分工況，這會浪費大量的人力成本。

基于深度學習的缺陷檢測完美地規(guī)避了這類問題，它不僅在特征提取和定位上取得了非常好的效果，越來越多的學者和工程人員還開始將深度學習算法引入到缺陷檢測領域中。

深度學習

矩視云低代碼平臺“像素分割”模塊案例詳解

矩視智能低代碼平臺是基于深度學習的AI機器視覺低代碼開發(fā)平臺，賦能多種工業(yè)應用場景，有效解決復雜缺陷的定位識別、分類定級及字符識別等問題，具有強大的兼容性。

矩視提供了一個標準化的開發(fā)平臺，內(nèi)置豐富的開發(fā)工具，不需任何圖像知識，無需編程，支持深度學習模型訓練閉環(huán)，滿足不同業(yè)務場景下的客戶碎片化、差異化的檢測需求，以較低成本解決客戶檢測難題。

功能概述

利用深度學習技術訓練模型，實現(xiàn)對標記特征缺陷的定向識別檢測，支持對圖像進行像素級檢測，精準識別缺陷的位置和類別。常用于檢測產(chǎn)品表面細小的缺陷，例如裂紋、劃痕、臟污、缺損等，是應用最為廣泛的缺陷檢測工具。

功能特點

? 通用性強：云端積累大量不同場景AI算法庫，用戶僅需上傳圖片，進行標注，后臺將自動匹配最精準的AI算法。

? 多缺陷同時學習：同一個模型下，支持多種缺陷標記，即可同時檢測一張圖片內(nèi)的多種缺陷，并且可以對缺陷進行分類。

? 像素級檢測及閾值設置：對產(chǎn)品的缺陷檢測可以精確到像素級，并且可以通過閾值對缺陷程度的評分來控制誤檢率和漏檢率，從而達到對產(chǎn)品質量的把控。

應用場景

? 不規(guī)則形狀目標檢測

? 小目標檢測

模塊使用

1、訓練階段

導入樣圖，在標簽列表添加相對應的缺陷標簽，選擇標注工具，將上傳圖片的缺陷部分和標簽逐一對應標注（每張圖片內(nèi)所有需要定位的缺陷需全部標注），標注結束后，無需配置模型訓練參數(shù)和服務器資源，一鍵訓練進入深度學習階段，通過對原始數(shù)據(jù)多步特征轉換，得到更高層次、更加抽象的特征表示。

2、測試階段

經(jīng)過適當訓練的神經(jīng)網(wǎng)絡可以很好地識別出變量環(huán)境（如物體形狀的變化、不同的分辨率或光源條件）中的物體，精準判斷圖片中存在的缺陷因素，并進行自動標注。

3、推理階段：

輸入：待檢圖片

輸出：NG/OK圖

案例解析：口罩表面缺陷檢測

檢測需求

能對口罩正反面臟污/蚊蟲/毛發(fā)、耳帶長度/偏位、鼻梁條長度/偏位、焊點接口、排齒等功能檢測，以保證在生產(chǎn)過程中能夠有效的剔除不良品，提高產(chǎn)品的生產(chǎn)效率，及產(chǎn)品合格率。

檢測難點

缺陷種類多且形態(tài)不規(guī)則、差異大，缺陷出現(xiàn)區(qū)域隨機。

檢測方案

利用矩視智能低代碼云平臺的像素分割模塊，構建基于深度學習的口罩缺陷識別模型。

操作步驟

1、選擇“像素分割”模型

2、上傳樣圖，建議上傳30張以上圖片

3、標注

使用標注工具對口罩表面缺陷進行標注；對于無缺陷的圖片，可跳過標注

4、模型訓練

一鍵進入訓練階段，等待訓練完成

5、模型測試

精準判斷未標注圖片中存在的缺陷因素，并進行自動標注

測試效果

數(shù)據(jù)測試準確率>99%，0漏檢，能精準對口罩正反面臟污/蚊蟲/毛發(fā)、耳帶長度/偏位、鼻梁條長度/偏位、焊點接口、排齒等缺陷進行檢測。

矩視智能機器視覺低代碼平臺是一個面向機器視覺應用的云端協(xié)同開發(fā)平臺，始終秉承0成本、0代碼、0門檻、0硬件的產(chǎn)品理念。

平臺以人工智能技術為核心，在機器視覺應用開發(fā)環(huán)節(jié)，為開發(fā)者提供圖像采集、圖像標注、算法開發(fā)、算法封裝和應用集成的一站式完整工具鏈。覆蓋字符識別、缺陷檢測、尺寸測量、目標定位等上百項通用功能，致力于成為全球用戶量最多，落地場景最廣泛的機器視覺低代碼平臺。

更多功能正在開發(fā)中，最新信息會第一時間在官方公眾號“矩視智能”進行公布，歡迎大家關注哦