【基于AI的缺陷检测】 Proxima- 基于深度学习的外观瑕疵智能检测软件

【基于AI的缺陷检测】 Proxima- 基于深度学习的外观瑕疵智能检测软件

曾经需要耗费大量的人力物力来检测的划痕、裂纹、杂质、斑点、气泡等不规则/随机性缺陷，如今利用AI人工智能领域的深度学习技术，自主研发的基于深度学习的Proxima外观瑕疵智能检测软件让外观瑕疵检测方式让机器视觉检测有了“大脑”，实现了实时在线、漏检率和过杀率低、可追踪性与高效率的智能缺陷检测。

传统的人工检测表面缺陷检测的方法因为空间与时间分辨率有限，存在很多不足之处，人眼视觉所能检测的缺陷尺寸需要大于0.5mm，且需要较大的光学形变(64灰度级)，同时当待测物体的运动速度达到3m/s时，人眼将不能发现缺陷的具体形态，并且由于人眼会疲劳，会有比较高的误检率及漏检率。

得益于图像处理、模式识别等技术的发展，以机器视觉为主的表面缺陷检测方法在产品质量控制环节中得到了广泛的应用。机器视觉瑕疵检测可达到微米级，机器快门时间可以达到微秒级，识别和判断稳定，检测效率得到提升。但是表面缺陷检测系统的核心在于缺陷检测算法，这一阶段的缺陷检测算法主要是统计、光谱、模型、学习和结构，过程分为图像预处理、目标提取、特征选择及模式分类，每个环节都会对模型的识别率产生影响。尤其在数据量较大且复杂的情况下，特征选择的难度会增加。同时在测量效率方面存在很大的局限性。

近十年，3C智能硬件的快速迭代促使生产检测技术不断推陈出新。深度学习技术则推动AI人工智能快速进入生产制程。

深度学习

深度学习的思想源自于“人工神经网络”，从大脑中汲取灵感，模拟人脑分析问题机制并建立分析学习的神经网络。神经网络的基本构建模块是人工神经元-模仿人类大脑神经元。正如大脑数十亿个神经元神经元分布在神经网络的几个层中，之间有数万个连接，深度学习模型涉及大量的计算单元，它们彼此交互时对所建模数据潜在分布的多层表征进行自主学习。

深度学习技术赋能机器视觉，在特征自主学习及识别任务中拥有更出色的表现，可以自动对输入样本进行特征提取。

相比于传统的机器视觉方法，基于深度学习的视觉缺陷检测系统可以减少手动提取特征对识别精度的影响，更精确的检测并识别产品表面缺陷。针对检测目标特征复杂及提取困难的问题，深度学习也能够提供很好的解决方法。所以说，基于深度学习的机器视觉瑕疵检测系统有效地控制了产品表面质量，从而改善企业的生产控制过程和提升竞争力。

为了契合3C行业日趋严苛的高效高标准瑕疵检测需求，海克斯康历经了近三年时间自主研发基于深度学习的Proxima瑕疵检测软件系统和多套硬件型号，Proxima软件凝聚多项先进技术，解决客户在产品表面瑕疵检测环节遇到的各种问题.

对工件的缺陷进行精准定位和识别，高效训练并快速输出直观的检测结果

海克斯康基于深度学习的机器视觉瑕疵检测应用深度学习中不同类型即层次的神经网络，比如卷积神经网络,循环神经网络,长短期记忆对深度学习训练的模型和速度进行优化，使我们的瑕疵检测在短时间内可达98%的准确率。

系统设计简洁，深入浅出

从样本标注到模型训练、再到检测各环节紧密相扣，Proxima瑕疵检测软件系统将复杂的神经网络用最简单的方式呈现给客户使用，系统采用 Microsoft Office GUI标准，无需深入了解底层算法也可快速入手。

提供多种训练模型及方法，适用性强

Proxima瑕疵检测软件系统训练模型时可根据产品特征选择最佳的深度学习模型，能够快速准确的学习到瑕疵特征，适用性强，可应对复杂多变的缺陷类型。

导出报告即可查看检测结果分布情况，透视直观

通过Proxima瑕疵检测软件系统检测后，可以在报告中直观的看到检测结果分布情况，包含缺陷位置、形态大小和类型等，并可以导出为html网页文件报告，通过网页浏览器即可打开，轻松方便的保存记录测试结果。

区别于其他传统的缺陷检测方式， Proxima瑕疵检测系统只需要少量的瑕疵图片就可在短时间内进行大规模的训练。而且采用GPU专用处理算法，大幅提升检测效率，以及通过基于深度学习的检测算法,可以提高准确度，降低漏检率和过杀率。

另外，Proxima软件将瑕疵检测与尺寸检测合二为一，解决用户瑕疵需求的同时也解决用户尺寸的检测需求。这项功能可谓是一举两得，减少了大量的时间和投资成本，提升了产品质量的同时也驱动产量的提升。

简而言之，借助于深度学习的最新技术，Proxima瑕疵检测系统支持少量样本训练，简单上手易操作，高效高质检测。这套基于深度学习的瑕疵检测系统可以广泛应用于不同行业，比如电子行业，玻璃制造业， 3C手机行业等。