智能缺陷檢測：機器視覺如何增強質量控制

 眾多科技公司都在開發人工智能工具，使缺陷檢測的準確性和生產力超越人類的能力。雖然每個計算機視覺公司側重點不同，但人工智能驅動的質量控制（QC）的承諾是明確的：利用圖像和物體識別將使你處于領先地位。

 采用行業特定類型的計算機視覺（所謂的機器視覺）有助于工廠改善質量控制，同時從等式中消除人類感知的缺陷。

 簡單地說，機器視覺是硬件端的相機和另一端處理“大腦”軟件的組合。再加上深度學習技術，視覺系統可以“學習”產品尺寸、螺栓孔及其位置和形狀等細微差別。為了訓練一個系統來區分可接受和不可接受的質量，您需要向它提供大量捕捉各種缺陷類型的圖像。

 人類也能發現視覺缺陷。但這些任務——例如，在檢查瓶子的灌裝——是高度重復的。與人眼不同的是，自動光學檢測（AOI）不會失去其敏銳性，并且對濃度下降免疫。通過在生產過程的早期發現錯誤，您將在每個階段避免手動生產瓶頸。

 降低質量控制操作的成本

 在你的工廠里為質量控制線配備人力是昂貴的，而且有局限性，因為檢驗人員需要體面的工資和穩定的工作時間來完成他們的工作。

 另一方面，基于計算機視覺的質量控制系統可以提供全天候一致的結果，而無需休息。機器的錯誤檢測率更高，而手工操作人員有處理和物理上的限制，這使得他們很容易漏掉一個缺陷或錯誤地識別一個缺陷。

 也就是說，用計算機視覺驅動的軟件來增強你的線條是兩全其美。除了識別已知的缺陷之外，人工智能還可以根據先前的輸入發現以前從未見過和不可預測的缺陷。

 識別不明顯的缺陷

 對于那些缺陷可能致命的行業，如航空航天、汽車或醫療，基于計算機視覺的檢測超出了光譜可見部分的范圍，并且在紫外、x射線和紅外線下發揮作用。為了滿足相對苛刻要求和安全規定，需要比人眼高得多的光學分辨率。

 盡管人類在區分異常方面仍然優于機器，但深度學習技術提高了標準。也就是說，基于深度學習的解決方案可以識別表面缺陷——例如裂紋，斑塊，夾雜物和劃痕等——這些都是人工很難檢查的缺陷。

 在機器學習分析的支持下，這樣的系統可以在幾天內適應新的可視數據集和場景。通過在深入學習模型上投入足夠的精力，您將能夠獲得意想不到的結果，例如發現您之前忽略的新類型缺陷，并將檢查成本降低高達66%。

 文章轉載自中國機器視覺網，如有問題，請及時聯系刪除