在(zai)工(gong)業生產(chan)(chan)中，缺陷(xian)和(he)異常的(de)(de)檢測對于保障質量標準至關(guan)重要。在(zai)許多情況下(xia)，人工(gong)質檢習(xi)慣于在(zai)產(chan)(chan)品下(xia)線時對其進(jin)行檢查。然而，隨(sui)著機器學習(xi)和(he)人工(gong)智能的(de)(de)出現(xian)，現(xian)在(zai)可以(yi)使用(yong)自定義模(mo)型來(lai)檢測產(chan)(chan)品中的(de)(de)缺陷(xian)和(he)異常。在(zai)這(zhe)篇文章中，我們將探討(tao)機器學習(xi)在(zai)視覺檢測中的(de)(de)應(ying)用(yong)，并討(tao)論它為(wei)制(zhi)(zhi)造商提供的(de)(de)一(yi)些(xie)好處(chu)。我們將研究(jiu)不同行業的(de)(de)實際應(ying)用(yong)，并了解為(wei)什么(me)基于人工(gong)智能的(de)(de)視覺異常檢測在(zai)現(xian)代制(zhi)(zhi)造設備中越(yue)來(lai)越(yue)受歡迎。

生產線的傳統檢驗

       自工(gong)業時代開始以來，制造商(shang)一直在使用(yong)不同的技術(shu)來監控(kong)裝配線上的工(gong)藝(yi)和(he)(he)產(chan)(chan)品質量(liang)(liang)(liang)。早期的產(chan)(chan)品質量(liang)(liang)(liang)檢(jian)(jian)(jian)測(ce)(ce)主要靠人工(gong)來完成。但隨著制造業規模化和(he)(he)工(gong)業自動化的發展，在生產(chan)(chan)線上監控(kong)質量(liang)(liang)(liang)和(he)(he)檢(jian)(jian)(jian)測(ce)(ce)問題自然變(bian)得越(yue)(yue)來越(yue)(yue)困(kun)難(nan)。質檢(jian)(jian)(jian)員很難(nan)處理大(da)批量(liang)(liang)(liang)數(shu)量(liang)(liang)(liang)的產(chan)(chan)品，個人主觀性(xing)容(rong)易影響檢(jian)(jian)(jian)測(ce)(ce)結果。再加(jia)上任務的單調性(xing)、重復性(xing)，會導致(zhi)疲勞(lao)，更是增加(jia)出錯的可能。

異常檢測自動化簡介

       自(zi)(zi)動(dong)化(hua)對(dui)制造商來說是一個(ge)突破，他們能夠在不影響質量標準的(de)情(qing)況下大幅增加產量。目前的(de)科技水(shui)平已經能夠在大部分生產流程中實(shi)現(xian)自(zi)(zi)動(dong)化(hua)，包(bao)括(kuo)最(zui)容易出錯的(de)任務，如缺陷和(he)異常檢(jian)測。科技開發人員正常改變(bian)傳統規則(ze)，用靈活的(de)、自(zi)(zi)學(xue)習(xi)的(de)和(he)自(zi)(zi)我(wo)改進的(de)方(fang)法(fa)取代程序化(hua)的(de)、適應性(xing)差的(de)方(fang)法(fa)。

計算機視覺和機器學習輔助異常檢測

       傳統(tong)的(de)視覺檢測有許(xu)多局限性—最大的(de)局限性是反(fan)(fan)應相對緩慢。一(yi)旦機(ji)器(qi)檢測到(dao)異常或缺陷，它可以觸發自動(dong)反(fan)(fan)饋，而(er)在(zai)沒有人工智能的(de)情況下，這(zhe)些操作必須(xu)手動(dong)執行。在(zai)生(sheng)產制(zhi)造過程，每一(yi)秒都(dou)很重(zhong)要，這(zhe)會(hui)適(shi)得(de)其反(fan)(fan)。比(bi)如在(zai)制(zhi)藥行業，一(yi)個相對較小的(de)問題可能會(hui)影響整個批次，造成巨大損失。

       另外質量保證的一致性。有(you)了自動化工具(ju)，所有(you)關于缺陷和(he)異(yi)常的數據都會(hui)留(liu)在(zai)系統中。機器可(ke)(ke)以從(cong)中得出結論，不斷提高其檢(jian)測能力。而在(zai)傳統的缺陷和(he)異(yi)常檢(jian)測方法(fa)中，質量檢(jian)測的有(you)效性可(ke)(ke)能會(hui)隨著任何人員變動而大幅下降而增加成本。

       基于(yu)人工智能的計算機視覺(jue)可以(yi)解(jie)決(jue)這些問題，提(ti)高了質量(liang)控制和(he)質量(liang)保證。

基于人工智能的計算機視覺能否檢測缺陷并識別異常？

       人(ren)(ren)工智(zhi)能(neng)(neng)模仿人(ren)(ren)類(lei)行為——作為其分支，計算(suan)機(ji)視(shi)覺(jue)再現了(le)人(ren)(ren)類(lei)解(jie)讀圖像的(de)能(neng)(neng)力(li)。該(gai)技術借鑒了(le)人(ren)(ren)類(lei)視(shi)覺(jue)系統的(de)復(fu)雜性，模仿其處理視(shi)覺(jue)信息的(de)方式。雖然拍攝(she)圖像的(de)謎團在數百年前就被(bei)解(jie)開了(le)（并隨著相機(ji)的(de)發明而被(bei)封存），但圖像解(jie)釋它一直(zhi)是一個困難的(de)部(bu)分。有了(le)人(ren)(ren)工智(zhi)能(neng)(neng)，這一切成為可能(neng)(neng)。

人類視覺過程

       在計算(suan)機視(shi)覺(jue)的情況下，眼睛被(bei)傳感設備和(he)視(shi)覺(jue)皮層所取(qu)代——由機器學(xue)習算(suan)法驅動的解釋設備。通過使用大型圖(tu)像數據集進行訓練，深度(du)學(xue)習模型可以(yi)解釋給定圖(tu)像的內容。該機制用于(yu)制造缺陷(xian)和(he)異(yi)常檢測。

基于人工智能的計算機(ji)視(shi)覺(jue)，可用于異常(chang)和缺陷檢測(ce)

        以滿足所(suo)有(you)質量(liang)要求的(de)完(wan)美產(chan)品(pin)的(de)圖像(xiang)樣本為樣本，深度(du)學(xue)習模(mo)型(xing)形(xing)成了自(zi)己的(de)邏輯，學(xue)習識別不(bu)同類型(xing)的(de)缺陷(xian)。設備捕獲的(de)圖像(xiang)將(jiang)根據其進行評估，如果不(bu)匹配，則立即標記缺陷(xian)。開(kai)發人員可以利(li)用不(bu)同的(de)方(fang)法(fa)(fa)，創建生成性異常(chang)檢測算法(fa)(fa)，如貝葉斯網(wang)絡(luo)、遞歸神經(jing)網(wang)絡(luo)（RNN）、卷(juan)積(ji)神經(jing)網(wang)絡(luo)（CNN）、GAN或變分自(zi)動(dong)編(bian)碼(ma)器。

       在(zai)最常見的(de)(de)情況下，算法將(jiang)產(chan)品分(fen)類為有缺陷或無(wu)缺陷。模型(xing)還(huan)可以通過監督(du)學習進行(xing)訓練，根據缺陷的(de)(de)嚴重程度、類型(xing)或狀態對其(qi)進行(xing)分(fen)類。這使我們能夠創建更復雜(za)的(de)(de)自動觸發反應機制，并收(shou)集詳(xiang)細(xi)數據。

將機器學習應用于質量檢測——行業用例

        競爭日益激烈的創業(ye)環境使制(zhi)造商(shang)不斷提(ti)高產品質量(liang)，基于人工(gong)智能(neng)的自(zi)動化工(gong)具可(ke)以(yi)在這(zhe)一(yi)過程中(zhong)提(ti)供寶貴的支持。有(you)了計算(suan)機(ji)視覺(jue)，他們可(ke)以(yi)更有(you)效地評估產品質量(liang)，而無需雇傭額外的人工(gong)。

       下面(mian)的(de)應用(yong)案(an)例(li)證明了(le)這項(xiang)技術的(de)多功能(neng)性。讓我(wo)們(men)更仔細(xi)地(di)看看跨行業的(de)缺陷(xian)和(he)異常檢測應用(yong)案(an)例(li)。

制藥和生命科學中的視覺檢測

        細胞系的交(jiao)叉污染是制藥(yao)和科學實(shi)驗室(shi)每天面(mian)臨的最(zui)常見(jian)風險之一。有時，只要一滴管被(bei)意外(wai)重復使(shi)用，污染就會發生(sheng)。它(ta)們可能會對(dui)實(shi)驗室(shi)研究產(chan)生(sheng)負(fu)面(mian)影(ying)響，甚至使(shi)藥(yao)品無法使(shi)用，這些結果可能高昂代價(jia)。

        保持質(zhi)量(liang)標準和(he)培(pei)訓，制藥公司可(ke)(ke)以降低(di)交叉(cha)污(wu)染(ran)的(de)可(ke)(ke)能性(xing)，但它仍然可(ke)(ke)以發(fa)生——圖像處(chu)理和(he)深度學習(xi)可(ke)(ke)以幫助在早期識別交叉(cha)污(wu)染(ran)。深層神經(jing)網絡(luo)可(ke)(ke)以檢測(ce)細胞(bao)的(de)微小形態(tai)變化(hua)，保護制藥公司和(he)實驗室的(de)結果不被摻假。例(li)如，來自ATM（翻譯醫學年鑒）的(de)案例(li)研究(jiu)證(zheng)明(ming)，神經(jing)網絡(luo)（特別是BCNN）在識別細胞(bao)系(xi)方(fang)面可(ke)(ke)以達到接近100%的(de)準確率(lv)。

       對于生物技術公司(si)來說，檢測檢查用于監測細胞培養、識(shi)別交(jiao)叉污染和(he)跟蹤形(xing)態學(xue)變化(hua)。深度學(xue)習模(mo)型可以在人眼（通過顯微鏡）尚(shang)不可見的(de)(de)階段檢測到這些(xie)變化(hua)，從(cong)而有可能及時采取預防措施，避免代價高昂的(de)(de)失敗風(feng)險(xian)。專門的(de)(de)ML軟件分(fen)析細胞圖像，并提(ti)供具有有價值(zhi)的(de)(de)報告，以幫助(zhu)客戶提(ti)高研(yan)究效率。

       視覺(jue)(jue)檢查也有(you)助于(yu)制藥公(gong)司(si)控(kong)制包(bao)裝。制藥公(gong)司(si)必(bi)須遵(zun)守有(you)關其(qi)藥品容(rong)器的嚴(yan)格(ge)規(gui)范和規(gui)定。大多數產品要(yao)求密封，并使(shi)用(yong)特定材料。同時，包(bao)裝上(shang)的任(ren)何缺陷都會影響藥物的效率和保質期。有(you)了計算機視覺(jue)(jue)，這樣的問(wen)題可以在早期發(fa)現(xian)。

半導體制造過程中的缺陷檢測

       視覺(jue)檢(jian)測(ce)可以(yi)幫助各個行業的(de)公司關(guan)注(zhu)產品(pin)本身的(de)質(zhi)量，同時(shi)也(ye)關(guan)注(zhu)產品(pin)的(de)狀態。它們可以(yi)使用圖(tu)像處理來監控半(ban)導(dao)體制(zhi)造過(guo)程，例(li)如清潔、薄(bo)膜沉積、蝕(shi)(shi)刻、曝光(guang)、注(zhu)入(ru)、抗蝕(shi)(shi)劑涂層、雜(za)質(zhi)注(zhu)入(ru)或熱(re)處理。該模(mo)型(xing)可以(yi)檢(jian)測(ce)晶(jing)圓層面的(de)異常情況(kuang)，并將(jiang)諸如預放置檢(jian)查等過(guo)程自動化。

       規則是一樣的——基于深度學習算法的視覺檢測系統在(zai)每(mei)個半(ban)導體(ti)工藝完成(cheng)后，都(dou)會通過(guo)優(you)質產品的(de)圖(tu)(tu)像(xiang)進行訓練，并學(xue)會識別(bie)缺陷。在(zai)這種情況下，由于(yu)缺陷可能(neng)很難檢測到，良(liang)好(hao)的(de)圖(tu)(tu)像(xiang)處(chu)理(li)設(she)備是(shi)至關(guan)重要。

半(ban)導(dao)體和芯(xin)片制造中的缺陷檢測結果

電子產品制造商的質量保證

        在電子制造業中，視覺檢(jian)查的(de)能力尤其令(ling)人令(ling)人驚嘆。訓練(lian)有素的(de)模型甚至可以(yi)檢(jian)測(ce)到肉眼幾乎看不見的(de)微小缺陷。使(shi)用深度學習技術來發現微芯片、變壓器、顯示器、CPU和其他制造部件中的(de)潛在異常——其中包(bao)括許多非常小的(de)部件。

         為了保持成像的(de)非(fei)破壞(huai)性，電子制(zhi)造(zao)商傾向(xiang)于從CT掃描中提取(qu)有關缺陷的(de)信息。使用X射線斷(duan)層掃描，他(ta)們可以生(sheng)成制(zhi)造(zao)元件的(de)射線投影。生(sheng)成的(de)圖像隨(sui)后由算法轉換(huan)為其三(san)維表示。

       由于元素的復(fu)雜性，制造(zao)商有必要將分(fen)析范圍縮小(xiao)到易受缺陷或損壞(huai)的零件(jian)。否則(ze)，為缺陷/異常檢(jian)測對深(shen)度學習(xi)網(wang)絡進行適(shi)當(dang)培訓將是一項挑戰。

化學品生產中的視覺檢測

       盡管(guan)乍一(yi)看，視(shi)覺檢查方(fang)(fang)法(fa)似乎不是最(zui)適合評估化學品(pin)制造質量(liang)的(de)方(fang)(fang)法(fa)，但事(shi)實證明(ming)它們(men)是有效(xiao)的(de)。在典型(xing)的(de)化工生產(chan)中，樣品(pin)會被(bei)送到(dao)實驗室進行(xing)手動(dong)測試(shi)。這一(yi)過程既不高(gao)效(xiao)也(ye)不準確，因為(wei)少數樣品(pin)可能無法(fa)代表整(zheng)個批(pi)次的(de)質量(liang)。與此(ci)同(tong)時，在化工生產(chan)線上測試(shi)每一(yi)種產(chan)品(pin)遠遠不劃算。

       制造商可(ke)以(yi)(yi)使用計(ji)(ji)算(suan)機(ji)(ji)視(shi)覺以(yi)(yi)更(geng)快、更(geng)便捷的(de)(de)方式(shi)評估(gu)其質量(liang)。視(shi)覺質量(liang)檢查的(de)(de)機(ji)(ji)制類(lei)似于固體(ti)物體(ti)的(de)(de)情況——模型使用符合質量(liang)標(biao)準的(de)(de)化學產品圖像進(jin)行訓練，并(bing)相應地對裝配線(xian)上的(de)(de)產品進(jin)行分類(lei)。計(ji)(ji)算(suan)機(ji)(ji)視(shi)覺可(ke)以(yi)(yi)根據物質的(de)(de)顏色(se)、分層或(huo)物理狀態(tai)檢測異常。如果產品已被(bei)氧化，則可(ke)以(yi)(yi)自(zi)動將其從生(sheng)產線(xian)中分離出來，或(huo)將其從生(sheng)產線(xian)中重新(xin)定向。

   ;   雖然，這(zhe)種(zhong)方法有一些局限性，因為化學物質(zhi)中的(de)一些缺陷(xian)是無法檢測到的(de)。然而，視覺檢查可以為化學品制造商采用的(de)質(zhi)量保證體系增添可參考價值。

視覺檢測系統與定制機器學習模型

     雖然市場上有很多視覺檢測系統，但許多公(gong)司仍(reng)然(ran)決定(ding)堅(jian)持使用定(ding)制的機器學(xue)習模型。原因很(hen)簡單(dan)——因為標(biao)準視覺解決方案為了適(shi)應不(bu)同行業(ye)的需(xu)求，會導致(zhi)一些行業(ye)差異大的產品檢測弊端。

       即使它們(men)在(zai)一定(ding)程度上是(shi)靈活的(de)(de)(de)，也不(bu)能(neng)保證不(bu)同行(xing)業的(de)(de)(de)個性化檢測需(xu)求(qiu)。例(li)如，用戶可(ke)(ke)能(neng)無法使用自己的(de)(de)(de)訓練數據(ju)集訓練系統，被迫使用內置數據(ju)庫。如果(guo)他(ta)們(men)的(de)(de)(de)產品及其功能(neng)是(shi)獨特的(de)(de)(de)，那么這樣(yang)的(de)(de)(de)解決方案可(ke)(ke)能(neng)不(bu)足(zu)以在(zai)執行(xing)嚴格(ge)的(de)(de)(de)異常檢測需(xu)求(qiu)。

       選(xuan)擇開發定(ding)制(zhi)的(de)(de)機(ji)器學習模型(xing)(xing)，公(gong)司可(ke)以根據任務的(de)(de)具體情況調整(zheng)其(qi)類型(xing)(xing)（以上述細胞系檢查為例，BCNN已被證明能提供最準(zhun)(zhun)(zhun)確(que)的(de)(de)結果）。使用自己的(de)(de)模型(xing)(xing)，他們還可(ke)以提取感興趣的(de)(de)區域(yu)以提高準(zhun)(zhun)(zhun)確(que)性，而標準(zhun)(zhun)(zhun)系統(tong)通常(chang)(chang)不(bu)提供這(zhe)種(zhong)可(ke)能性。因此(ci)，那些選(xuan)擇定(ding)制(zhi)異常(chang)(chang)檢測(ce)模型(xing)(xing)而不(bu)是標準(zhun)(zhun)(zhun)解決方案的(de)(de)通常(chang)(chang)會獲(huo)得(de)更令人滿意(yi)的(de)(de)結果。

基于人工智能的視覺異常檢測在制造業中的優勢

       人工智能(neng)正在以(yi)多種方式徹底改變(bian)制造業，帶來諸多好處。通過(guo)基于人工智能(neng)的(de)視(shi)覺檢測，制造商可以(yi)通過(guo)以(yi)下(xia)方式降低運(yun)營成(cheng)本(ben)：

       通(tong)過預測性維護(hu)防止停機

       減少勞動力需求(qiu)

       卸(xie)下質檢(jian)員的重擔，把他們委派給要求更高的任務(wu)

       減少(shao)退貨和投訴的(de)數量

       同時，他們可以提高(gao)客(ke)戶(hu)滿意度，提高(gao)公(gong)司的聲譽。交付(fu)市場的缺(que)陷產品(pin)越少，滿意度就越高(gao)。

       視覺對位系統、機械手視覺定位、圖像處理(li)庫等(deng)為核(he)心(xin)的(de)20多款自(zi)主知識(shi)產(chan)(chan)(chan)權產(chan)(chan)(chan)品(pin)。涉及自(zi)動貼合機、絲印機、曝光機、疊片機、貼片機、智(zhi)(zhi)能(neng)(neng)檢(jian)測、智(zhi)(zhi)能(neng)(neng)鐳射等(deng)眾多行(xing)業領域。雙翌視覺系統最高生(sheng)產(chan)(chan)(chan)精度可達(da)um級別，圖像處理(li)精準(zhun)、速度快，將智(zhi)(zhi)能(neng)(neng)自(zi)動化(hua)(hua)制造(zao)行(xing)業的(de)生(sheng)產(chan)(chan)(chan)水(shui)平提升到一(yi)個更(geng)高的(de)層次，改進了以往落后的(de)生(sheng)產(chan)(chan)(chan)流程(cheng)，得到廣大(da)用戶的(de)認可與(yu)肯定。隨著智(zhi)(zhi)能(neng)(neng)自(zi)動化(hua)(hua)生(sheng)產(chan)(chan)(chan)的(de)普及與(yu)發展，雙翌將為廣大(da)生(sheng)產(chan)(chan)(chan)行(xing)業帶來(lai)更(geng)全面、更(geng)精細、更(geng)智(zhi)(zhi)能(neng)(neng)化(hua)(hua)的(de)技術及服務。