在工業(yè)生產(chǎn)中，缺陷和異常的檢測(cè)對(duì)于保障質(zhì)量標(biāo)準(zhǔn)至關(guān)重要。在許多情況下，人工質(zhì)檢習(xí)慣于在產(chǎn)品下線時(shí)對(duì)其進(jìn)行檢查。然而，隨著機(jī)器學(xué)習(xí)和人工智能的出現(xiàn)，現(xiàn)在可以使用自定義模型來(lái)檢測(cè)產(chǎn)品中的缺陷和異常。在這篇文章中，我們將探討機(jī)器學(xué)習(xí)在視覺(jué)檢測(cè)中的應(yīng)用，并討論它為制造商提供的一些好處。我們將研究不同行業(yè)的實(shí)際應(yīng)用，并了解為什么基于人工智能的視覺(jué)異常檢測(cè)在現(xiàn)代制造設(shè)備中越來(lái)越受歡迎。

生產(chǎn)線的傳統(tǒng)檢驗(yàn)

       自工業(yè)時(shí)代開(kāi)始以來(lái)，制造商一直在使用不同的技術(shù)來(lái)監(jiān)控裝配線上的工藝和產(chǎn)品質(zhì)量。早期的產(chǎn)品質(zhì)量檢測(cè)主要靠人工來(lái)完成。但隨著制造業(yè)規(guī)?；凸I(yè)自動(dòng)化的發(fā)展，在生產(chǎn)線上監(jiān)控質(zhì)量和檢測(cè)問(wèn)題自然變得越來(lái)越困難。質(zhì)檢員很難處理大批量數(shù)量的產(chǎn)品，個(gè)人主觀性容易影響檢測(cè)結(jié)果。再加上任務(wù)的單調(diào)性、重復(fù)性，會(huì)導(dǎo)致疲勞，更是增加出錯(cuò)的可能。

異常檢測(cè)自動(dòng)化簡(jiǎn)介

       自動(dòng)化對(duì)制造商來(lái)說(shuō)是一個(gè)突破，他們能夠在不影響質(zhì)量標(biāo)準(zhǔn)的情況下大幅增加產(chǎn)量。目前的科技水平已經(jīng)能夠在大部分生產(chǎn)流程中實(shí)現(xiàn)自動(dòng)化，包括最容易出錯(cuò)的任務(wù)，如缺陷和異常檢測(cè)?？萍奸_(kāi)發(fā)人員正常改變傳統(tǒng)規(guī)則，用靈活的、自學(xué)習(xí)的和自我改進(jìn)的方法取代程序化的、適應(yīng)性差的方法。

計(jì)算機(jī)視覺(jué)和機(jī)器學(xué)習(xí)輔助異常檢測(cè)

       傳統(tǒng)的視覺(jué)檢測(cè)有許多局限性—最大的局限性是反應(yīng)相對(duì)緩慢。一旦機(jī)器檢測(cè)到異?；蛉毕?，它可以觸發(fā)自動(dòng)反饋，而在沒(méi)有人工智能的情況下，這些操作必須手動(dòng)執(zhí)行。在生產(chǎn)制造過(guò)程，每一秒都很重要，這會(huì)適得其反。比如在制藥行業(yè)，一個(gè)相對(duì)較小的問(wèn)題可能會(huì)影響整個(gè)批次，造成巨大損失。

       另外質(zhì)量保證的一致性。有了自動(dòng)化工具，所有關(guān)于缺陷和異常的數(shù)據(jù)都會(huì)留在系統(tǒng)中。機(jī)器可以從中得出結(jié)論，不斷提高其檢測(cè)能力。而在傳統(tǒng)的缺陷和異常檢測(cè)方法中，質(zhì)量檢測(cè)的有效性可能會(huì)隨著任何人員變動(dòng)而大幅下降而增加成本。

       基于人工智能的計(jì)算機(jī)視覺(jué)可以解決這些問(wèn)題，提高了質(zhì)量控制和質(zhì)量保證。

基于人工智能的計(jì)算機(jī)視覺(jué)能否檢測(cè)缺陷并識(shí)別異常？

       人工智能模仿人類(lèi)行為——作為其分支，計(jì)算機(jī)視覺(jué)再現(xiàn)了人類(lèi)解讀圖像的能力。該技術(shù)借鑒了人類(lèi)視覺(jué)系統(tǒng)的復(fù)雜性，模仿其處理視覺(jué)信息的方式。雖然拍攝圖像的謎團(tuán)在數(shù)百年前就被解開(kāi)了（并隨著相機(jī)的發(fā)明而被封存），但圖像解釋它一直是一個(gè)困難的部分。有了人工智能，這一切成為可能。

人類(lèi)視覺(jué)過(guò)程

       在計(jì)算機(jī)視覺(jué)的情況下，眼睛被傳感設(shè)備和視覺(jué)皮層所取代——由機(jī)器學(xué)習(xí)算法驅(qū)動(dòng)的解釋設(shè)備。通過(guò)使用大型圖像數(shù)據(jù)集進(jìn)行訓(xùn)練，深度學(xué)習(xí)模型可以解釋給定圖像的內(nèi)容。該機(jī)制用于制造缺陷和異常檢測(cè)。

基于人工智能的計(jì)算機(jī)視覺(jué)，可用于異常和缺陷檢測(cè)

        以滿足所有質(zhì)量要求的完美產(chǎn)品的圖像樣本為樣本，深度學(xué)習(xí)模型形成了自己的邏輯，學(xué)習(xí)識(shí)別不同類(lèi)型的缺陷。設(shè)備捕獲的圖像將根據(jù)其進(jìn)行評(píng)估，如果不匹配，則立即標(biāo)記缺陷。開(kāi)發(fā)人員可以利用不同的方法，創(chuàng)建生成性異常檢測(cè)算法，如貝葉斯網(wǎng)絡(luò)、遞歸神經(jīng)網(wǎng)絡(luò)（RNN）、卷積神經(jīng)網(wǎng)絡(luò)（CNN）、GAN或變分自動(dòng)編碼器。

       在最常見(jiàn)的情況下，算法將產(chǎn)品分類(lèi)為有缺陷或無(wú)缺陷。模型還可以通過(guò)監(jiān)督學(xué)習(xí)進(jìn)行訓(xùn)練，根據(jù)缺陷的嚴(yán)重程度、類(lèi)型或狀態(tài)對(duì)其進(jìn)行分類(lèi)。這使我們能夠創(chuàng)建更復(fù)雜的自動(dòng)觸發(fā)反應(yīng)機(jī)制，并收集詳細(xì)數(shù)據(jù)。

將機(jī)器學(xué)習(xí)應(yīng)用于質(zhì)量檢測(cè)——行業(yè)用例

        競(jìng)爭(zhēng)日益激烈的創(chuàng)業(yè)環(huán)境使制造商不斷提高產(chǎn)品質(zhì)量，基于人工智能的自動(dòng)化工具可以在這一過(guò)程中提供寶貴的支持。有了計(jì)算機(jī)視覺(jué)，他們可以更有效地評(píng)估產(chǎn)品質(zhì)量，而無(wú)需雇傭額外的人工。

       下面的應(yīng)用案例證明了這項(xiàng)技術(shù)的多功能性。讓我們更仔細(xì)地看看跨行業(yè)的缺陷和異常檢測(cè)應(yīng)用案例。

制藥和生命科學(xué)中的視覺(jué)檢測(cè)

        細(xì)胞系的交叉污染是制藥和科學(xué)實(shí)驗(yàn)室每天面臨的最常見(jiàn)風(fēng)險(xiǎn)之一。有時(shí)，只要一滴管被意外重復(fù)使用，污染就會(huì)發(fā)生。它們可能會(huì)對(duì)實(shí)驗(yàn)室研究產(chǎn)生負(fù)面影響，甚至使藥品無(wú)法使用，這些結(jié)果可能高昂代價(jià)。

        保持質(zhì)量標(biāo)準(zhǔn)和培訓(xùn)，制藥公司可以降低交叉污染的可能性，但它仍然可以發(fā)生——圖像處理和深度學(xué)習(xí)可以幫助在早期識(shí)別交叉污染。深層神經(jīng)網(wǎng)絡(luò)可以檢測(cè)細(xì)胞的微小形態(tài)變化，保護(hù)制藥公司和實(shí)驗(yàn)室的結(jié)果不被摻假。例如，來(lái)自ATM（翻譯醫(yī)學(xué)年鑒）的案例研究證明，神經(jīng)網(wǎng)絡(luò)（特別是BCNN）在識(shí)別細(xì)胞系方面可以達(dá)到接近100%的準(zhǔn)確率。

       對(duì)于生物技術(shù)公司來(lái)說(shuō)，檢測(cè)檢查用于監(jiān)測(cè)細(xì)胞培養(yǎng)、識(shí)別交叉污染和跟蹤形態(tài)學(xué)變化。深度學(xué)習(xí)模型可以在人眼（通過(guò)顯微鏡）尚不可見(jiàn)的階段檢測(cè)到這些變化，從而有可能及時(shí)采取預(yù)防措施，避免代價(jià)高昂的失敗風(fēng)險(xiǎn)。專(zhuān)門(mén)的ML軟件分析細(xì)胞圖像，并提供具有有價(jià)值的報(bào)告，以幫助客戶提高研究效率。

       視覺(jué)檢查也有助于制藥公司控制包裝。制藥公司必須遵守有關(guān)其藥品容器的嚴(yán)格規(guī)范和規(guī)定。大多數(shù)產(chǎn)品要求密封，并使用特定材料。同時(shí)，包裝上的任何缺陷都會(huì)影響藥物的效率和保質(zhì)期。有了計(jì)算機(jī)視覺(jué)，這樣的問(wèn)題可以在早期發(fā)現(xiàn)。

半導(dǎo)體制造過(guò)程中的缺陷檢測(cè)

       視覺(jué)檢測(cè)可以幫助各個(gè)行業(yè)的公司關(guān)注產(chǎn)品本身的質(zhì)量，同時(shí)也關(guān)注產(chǎn)品的狀態(tài)。它們可以使用圖像處理來(lái)監(jiān)控半導(dǎo)體制造過(guò)程，例如清潔、薄膜沉積、蝕刻、曝光、注入、抗蝕劑涂層、雜質(zhì)注入或熱處理。該模型可以檢測(cè)晶圓層面的異常情況，并將諸如預(yù)放置檢查等過(guò)程自動(dòng)化。

       規(guī)則是一樣的——基于深度學(xué)習(xí)算法的視覺(jué)檢測(cè)系統(tǒng)在每個(gè)半導(dǎo)體工藝完成后，都會(huì)通過(guò)優(yōu)質(zhì)產(chǎn)品的圖像進(jìn)行訓(xùn)練，并學(xué)會(huì)識(shí)別缺陷。在這種情況下，由于缺陷可能很難檢測(cè)到，良好的圖像處理設(shè)備是至關(guān)重要。

半導(dǎo)體和芯片制造中的缺陷檢測(cè)結(jié)果

電子產(chǎn)品制造商的質(zhì)量保證

        在電子制造業(yè)中，視覺(jué)檢查的能力尤其令人令人驚嘆。訓(xùn)練有素的模型甚至可以檢測(cè)到肉眼幾乎看不見(jiàn)的微小缺陷。使用深度學(xué)習(xí)技術(shù)來(lái)發(fā)現(xiàn)微芯片、變壓器、顯示器、CPU和其他制造部件中的潛在異?！渲邪ㄔS多非常小的部件。

         為了保持成像的非破壞性，電子制造商傾向于從CT掃描中提取有關(guān)缺陷的信息。使用X射線斷層掃描，他們可以生成制造元件的射線投影。生成的圖像隨后由算法轉(zhuǎn)換為其三維表示。

       由于元素的復(fù)雜性，制造商有必要將分析范圍縮小到易受缺陷或損壞的零件。否則，為缺陷/異常檢測(cè)對(duì)深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行適當(dāng)培訓(xùn)將是一項(xiàng)挑戰(zhàn)。

化學(xué)品生產(chǎn)中的視覺(jué)檢測(cè)

       盡管乍一看，視覺(jué)檢查方法似乎不是最適合評(píng)估化學(xué)品制造質(zhì)量的方法，但事實(shí)證明它們是有效的。在典型的化工生產(chǎn)中，樣品會(huì)被送到實(shí)驗(yàn)室進(jìn)行手動(dòng)測(cè)試。這一過(guò)程既不高效也不準(zhǔn)確，因?yàn)樯贁?shù)樣品可能無(wú)法代表整個(gè)批次的質(zhì)量。與此同時(shí)，在化工生產(chǎn)線上測(cè)試每一種產(chǎn)品遠(yuǎn)遠(yuǎn)不劃算。

       制造商可以使用計(jì)算機(jī)視覺(jué)以更快、更便捷的方式評(píng)估其質(zhì)量。視覺(jué)質(zhì)量檢查的機(jī)制類(lèi)似于固體物體的情況——模型使用符合質(zhì)量標(biāo)準(zhǔn)的化學(xué)產(chǎn)品圖像進(jìn)行訓(xùn)練，并相應(yīng)地對(duì)裝配線上的產(chǎn)品進(jìn)行分類(lèi)。計(jì)算機(jī)視覺(jué)可以根據(jù)物質(zhì)的顏色、分層或物理狀態(tài)檢測(cè)異常。如果產(chǎn)品已被氧化，則可以自動(dòng)將其從生產(chǎn)線中分離出來(lái)，或?qū)⑵鋸纳a(chǎn)線中重新定向。

      雖然，這種方法有一些局限性，因?yàn)榛瘜W(xué)物質(zhì)中的一些缺陷是無(wú)法檢測(cè)到的。然而，視覺(jué)檢查可以為化學(xué)品制造商采用的質(zhì)量保證體系增添可參考價(jià)值。

視覺(jué)檢測(cè)系統(tǒng)與定制機(jī)器學(xué)習(xí)模型

     雖然市場(chǎng)上有很多視覺(jué)檢測(cè)系統(tǒng)，但許多公司仍然決定堅(jiān)持使用定制的機(jī)器學(xué)習(xí)模型。原因很簡(jiǎn)單——因?yàn)闃?biāo)準(zhǔn)視覺(jué)解決方案為了適應(yīng)不同行業(yè)的需求，會(huì)導(dǎo)致一些行業(yè)差異大的產(chǎn)品檢測(cè)弊端。

       即使它們?cè)谝欢ǔ潭壬鲜庆`活的，也不能保證不同行業(yè)的個(gè)性化檢測(cè)需求。例如，用戶可能無(wú)法使用自己的訓(xùn)練數(shù)據(jù)集訓(xùn)練系統(tǒng)，被迫使用內(nèi)置數(shù)據(jù)庫(kù)。如果他們的產(chǎn)品及其功能是獨(dú)特的，那么這樣的解決方案可能不足以在執(zhí)行嚴(yán)格的異常檢測(cè)需求。

       選擇開(kāi)發(fā)定制的機(jī)器學(xué)習(xí)模型，公司可以根據(jù)任務(wù)的具體情況調(diào)整其類(lèi)型（以上述細(xì)胞系檢查為例，BCNN已被證明能提供最準(zhǔn)確的結(jié)果）。使用自己的模型，他們還可以提取感興趣的區(qū)域以提高準(zhǔn)確性，而標(biāo)準(zhǔn)系統(tǒng)通常不提供這種可能性。因此，那些選擇定制異常檢測(cè)模型而不是標(biāo)準(zhǔn)解決方案的通常會(huì)獲得更令人滿意的結(jié)果。

基于人工智能的視覺(jué)異常檢測(cè)在制造業(yè)中的優(yōu)勢(shì)

       人工智能正在以多種方式徹底改變制造業(yè)，帶來(lái)諸多好處。通過(guò)基于人工智能的視覺(jué)檢測(cè)，制造商可以通過(guò)以下方式降低運(yùn)營(yíng)成本：

       通過(guò)預(yù)測(cè)性維護(hù)防止停機(jī)

       減少勞動(dòng)力需求

       卸下質(zhì)檢員的重?fù)?dān)，把他們委派給要求更高的任務(wù)

       減少退貨和投訴的數(shù)量

       同時(shí)，他們可以提高客戶滿意度，提高公司的聲譽(yù)。交付市場(chǎng)的缺陷產(chǎn)品越少，滿意度就越高。

       視覺(jué)對(duì)位系統(tǒng)、機(jī)械手視覺(jué)定位、圖像處理庫(kù)等為核心的20多款自主知識(shí)產(chǎn)權(quán)產(chǎn)品。涉及自動(dòng)貼合機(jī)、絲印機(jī)、曝光機(jī)、疊片機(jī)、貼片機(jī)、智能檢測(cè)、智能鐳射等眾多行業(yè)領(lǐng)域。雙翌視覺(jué)系統(tǒng)最高生產(chǎn)精度可達(dá)um級(jí)別，圖像處理精準(zhǔn)、速度快，將智能自動(dòng)化制造行業(yè)的生產(chǎn)水平提升到一個(gè)更高的層次，改進(jìn)了以往落后的生產(chǎn)流程，得到廣大用戶的認(rèn)可與肯定。隨著智能自動(dòng)化生產(chǎn)的普及與發(fā)展，雙翌將為廣大生產(chǎn)行業(yè)帶來(lái)更全面、更精細(xì)、更智能化的技術(shù)及服務(wù)。