制造業離不開質檢。我們目之所及的產品，都是經過工業質檢環節才順利
各行各業對質檢(jian)的需求(qiu)旺盛
質(zhi)檢(jian)由于精細度要求高，占(zhan)到工廠總人力成本(ben)的(de)40%。舉例來說，工業質(zhi)檢(jian)中(zhong)的(de)軸承瑕疵檢(jian)測目標，可能(neng)是個小(xiao)劃痕，也可能(neng)是小(xiao)缺(que)口(kou)。這(zhe)種情況下，瑕疵視(shi)覺(jue)感(gan)官并不直觀。在(zai)整個人力檢(jian)測過程中(zhong)，耗(hao)時多、人力投入高。而質(zhi)檢(jian)效(xiao)(xiao)率直接(jie)影響到企業生(sheng)產以及交付效(xiao)(xiao)率。因此，工業質(zhi)檢(jian)的(de)智能(neng)化(hua)賦能(neng)已經成為節(jie)省成本(ben)，提高產能(neng)的(de)必(bi)然(ran)趨勢(shi)。
工業(ye)質檢方(fang)向，經(jing)歷三個過程的演變：
從上(shang)圖(tu)可以看到，在深度學習階段(duan)，可以逐步解決缺陷形態復(fu)雜(za)、環境復(fu)雜(za)的(de)目標(biao)，可解決的(de)范圍更大，覆蓋的(de)場景更多(duo)。但深度學習使用門檻較高，在AI開發(fa)階段(duan)，對原始數(shu)據的(de)要求更高，對開發(fa)人員的(de)要求也更高。
那么(me)，有(you)沒有(you)一個簡單上手同(tong)時確保(bao)高效質檢(jian)的方法呢？
汽車(che)零部件AI質檢痛難點
本期案(an)例企業(ye)來自(zi)于工業(ye)軸(zhou)(zhou)承質檢(jian)(jian)(jian)(jian)方(fang)向的(de)解決(jue)方(fang)案(an)提供商(shang)——韋士肯，在(zai)軸(zhou)(zhou)承質檢(jian)(jian)(jian)(jian)方(fang)向有(you)很深的(de)業(ye)務場景及技(ji)術(shu)積累；但(dan)在(zai)AI算法領域，缺(que)少(shao)足夠深的(de)技(ji)術(shu)沉淀。在(zai)智能化賦(fu)能過(guo)程(cheng)中，企業(ye)遇到的(de)缺(que)陷檢(jian)(jian)(jian)(jian)測(ce)問題，主要(yao)包(bao)括內部材質檢(jian)(jian)(jian)(jian)測(ce)、尺寸/形位檢(jian)(jian)(jian)(jian)測(ce)及外(wai)觀缺(que)陷檢(jian)(jian)(jian)(jian)測(ce)。
缺陷類型及企業
內部材質(zhi)檢(jian)測(ce)(ce)：包(bao)括(kuo)材料成分、氣(qi)孔及硬度檢(jian)測(ce)(ce)，當(dang)前主(zhu)要用到(dao)的(de)技(ji)術是EM電磁(ci)技(ji)術及超(chao)聲波技(ji)術做相關檢(jian)測(ce)(ce)；
尺寸/形(xing)位檢(jian)測：如檢(jian)測軸承的直徑、高(gao)度以(yi)及壁(bi)厚(hou)是否(fou)達到(dao)要求，當前是通過(guo)3D激光以(yi)及微磁(ci)場技術做(zuo)檢(jian)測；
外觀缺陷(xian)(xian)檢(jian)測(ce)：包(bao)括表面的(de)劃(hua)痕、磕碰、內部的(de)銹(xiu)跡(ji)。傳統的(de)機器視(shi)覺暫時無法解決相對不規則(ze)的(de)問題(ti)，包(bao)括缺陷(xian)(xian)的(de)定位，通(tong)常都是(shi)依(yi)賴(lai)人工(gong)檢(jian)測(ce)。
該企(qi)業(ye)前(qian)期也嘗(chang)試過組(zu)建算法團隊(dui)做AI開發，解決(jue)檢測智能化問題，但組(zu)建算法團隊(dui)所需(xu)(xu)的(de)算法人(ren)員(yuan)、投(tou)入(ru)研究(jiu)過程的(de)時間成(cheng)本、AI訓練需(xu)(xu)要投(tou)入(ru)的(de)服務器等機(ji)器成(cheng)本累加起來，預估達到百萬級(ji)。該企(qi)業(ye)的(de)核心訴求是希望能夠降低前(qian)期探索階段(duan)的(de)投(tou)入(ru)，利用(yong)AI賦能外觀缺陷檢測場景，從而(er)提(ti)高整體質檢環節的(de)效(xiao)率，以上是該企(qi)業(ye)用(yong)戶的(de)需(xu)(xu)求背景。
作為一家深(shen)耕軸承質檢多年的(de)解決方案提供商，他們在智能(neng)化轉型的(de)過程(cheng)中遇到了(le)以下主要問題：
首先，如(ru)何(he)降(jiang)低(di)業務探索階段(duan)的成本投入？
第二，如何對瑕疵缺陷做(zuo)到(dao)精確的標(biao)注，從而提供高質(zhi)量的訓練數據？
第三，如何(he)收集到各種瑕疵缺陷的數(shu)據，彌補缺陷樣(yang)本少的痛點(dian)？
第四，如何(he)適配各種硬件，簡單(dan)高效(xiao)(xiao)完成(cheng)部署工作？如何(he)保證預(yu)測效(xiao)(xiao)率？
那么(me)該(gai)企業用戶(hu)是如何通過飛槳EasyDL逐一解決問(wen)題，并獲得高收益(yi)的呢？
基于飛槳EasyDL打(da)造的(de)
成品軸承視(shi)覺檢測解決方案
首先，針對汽車軸承的缺陷(xian)進(jin)行分析，從而(er)初步(bu)確定(ding)需要應用飛槳EasyDL哪一類模(mo)型。
結合缺陷特點，選擇(ze)適用(yong)的任務類型(xing)
基于(yu)缺陷分析確(que)定使用飛(fei)槳EasyDL物體檢測及圖(tu)像分割模型(xing)。接下來圍繞(rao)端面(mian)的缺陷檢測著手數據準備→模型(xing)訓練→模型(xing)部署。
數據準備
待檢(jian)測的瑕疵缺陷過小，標(biao)注(zhu)難(nan)度大(da)，同(tong)時標(biao)注(zhu)數量大(da)，人力成本高。在(zai)飛槳(jiang)EasyDL的標(biao)注(zhu)界面上(shang)，提供很(hen)多放大(da)或縮小工具(ju)們對于(yu)缺陷較(jiao)小的目(mu)標(biao)物，可以按(an)需縮放從而(er)進行精(jing)準標(biao)注(zhu)。如下(xia)圖：
而面對數據量大的情況，可采用智能標注功能。少量標注后啟動智能標注，可對已標注好的圖片進行智能分析，進而將剩余圖片進行一鍵標注。以該企業為例，200張圖片手動標注用時3小時，剩余600張圖片智能標注僅耗時1小時。
模型訓練
部分瑕疵缺陷的樣本量少，如何提升數據利用率？借由飛槳EasyDL的數據增強功能，可將一張圖片衍生多張圖片，提高數據利用率。同時，通過自動超參搜索策略，完成相對復雜場景數據訓練的利用率，同時可以產出基于這個場景最優的參數組合，達到更高的模型精度。如果目標檢測物過小，可以選擇小目標檢測算法。該企業在該場景中，選擇800張缺陷圖片，無代碼訓練出精確率達90%的可用模型。
模型部署
企業遇到的問題是整體預測時延會直接影響到質檢效率。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，降低預測時延。該企業將模型壓縮后部署在T4服務器上，單圖片預測可在100ms內完成。
同時，飛槳EasyDL產出的模型硬件適配廣泛，通過平臺一鍵導出適配主流硬件的SDK包完成模型部署。對于企業來說，不需要再去額外做硬件工作的適配，
最終(zhong)，該企(qi)業打造了基于(yu)飛槳EasyDL的成(cheng)品軸承(cheng)(cheng)(cheng)視覺檢(jian)測解決(jue)方案(an)。基于(yu)飛槳EasyDL機器學(xue)習(xi)檢(jian)測算法，使用工(gong)業相機對產(chan)線上的軸承(cheng)(cheng)(cheng)進(jin)行(xing)圖片拍攝，通過傳感器獲取(qu)軸承(cheng)(cheng)(cheng)的幾何參(can)數繪制成(cheng)圖像，生產(chan)現場的服務器進(jin)行(xing)圖像分類和(he)檢(jian)測，判斷(duan)軸承(cheng)(cheng)(cheng)的外觀質量(liang)是否符合(he)要求(qiu)，可檢(jian)測軸承(cheng)(cheng)(cheng)的擦傷(shang)、磕碰傷(shang)、磨(mo)傷(shang)、削料、銹蝕(shi)等瑕疵。
進階攻堅
金屬零部件(jian)質檢方案解析
看完上(shang)述汽(qi)車(che)零部件質檢案(an)例，你是(shi)否也對AI質檢有了更為具象的理(li)解。我們把質檢問題升級(ji)：如(ru)果目(mu)標(biao)檢測(ce)物(wu)是(shi)金屬或(huo)玻(bo)璃等(deng)易反(fan)光(guang)(guang)物(wu)體，這種情況下質檢的精度和(he)效率如(ru)何保證？如(ru)何避免無(wu)效數據（反(fan)光(guang)(guang)嚴重、曝(pu)光(guang)(guang)高）的收集？
本期飛槳EasyDL-工業金屬零部件瑕疵質檢案例課程，特邀資深產業專家，深度剖析AI質檢在數據采集鏡頭選型/反光數據處理/標注等痛難點。帶大家全流程了解AI質檢實現路徑，讓AI質檢，一步到位。