数智时代，工业制造日新月异，质量竞争愈来愈重要也愈演愈烈，品牌商或生产商随之面临着各种新的缺陷检测难题与挑战，质量检测手段亟需更新与升级。
现在的生产制造，自动化程度持续提高，并逐步向智能化迭代，这个过程越来越多地运用到新的机器视觉或光学检测技术。
新的检测技术高度依赖图像信息与算法，使得工业缺陷检测常需面对以下几个痛点：
工业视觉领域，缺陷样本对检测结果的影响非常直接而重要。缺陷样本少，数量不大，缺陷类型数据不均衡，最终会导致检测结果不准确、不稳定。
罕见性属于样本少的一种特殊情况。缺陷类型未知或比较少见，缺陷发生的频率不高，这些会让样本量难以收集全面，导致算法训练与学习不足。
缺陷样品与正常样品之间的区分不明显，显著程度低，待检缺陷特征不明显，可视性差异比较小，视觉外观十分相近，或者是缺陷的可视性差，肉眼或普通机器视觉发现困难。
质量要求变高、变细腻后，实际图像采集过程会面临缺陷种类繁多、形式多样的问题，此外生产中还可能会产生新的缺陷类型，这对缺陷特征的提取效率、提取准确度都是挑战。
对于一些特定行业来说，光照、震动、尘埃、噪音等环境因素会对图像采集的质量产生直接影响，比如，强光或阴影会使某些缺陷图像过曝或欠曝，导致识别困难。因此除了要减少环境因素影响之外，也需提升检测系统对低质量图像缺陷的识别能力与鲁棒性。
现在的工业生产多是高速运转的。如何保证生产效率，又能准确检出每个缺陷，是一个难点。这需要缺陷检测系统兼顾速度与准确两个维度。
现代生产普遍高速/图为三姆森开发的圆柱电池高效检测线
数智时代的生产制造与以往有所不同，品牌商或生产商的质量升级面临着这些新痛点，而工业缺陷检测技术与设备的供应商，则需要帮助客户更新与升级质量检测手段，确保客户能够准确发现产品的缺陷，提高产品的质量竞争力。
过去单一的视觉算法体系，往往难以同步解决不同的痛点，融合不同算法的检测平台或软件，成为当下工业检测的急需品。
对此，三姆森科技将常规视觉算法、逻辑算法、AI深度学习算法融合在一起，组成三位一体的工业缺陷检测平台，集成足够丰富的 2D & 3D 算法，从目前应用实践上看，可以很有效地应对不同维度、不同类型的缺陷问题。
三姆森三位一体的算法体系
AI算法在其中起着关键作用。与传统机器视觉相比，智能化的缺陷分割、缺陷标注、精细分类、模型训练与推理，使识别的效率与准确率实现几何级提升。AI算法对模糊图像的缺陷强化作用，也可以很好的识别那些细微性的、受干扰的图像缺陷。
三姆森运用深度学习算法的实例分割技术
对于样本少与罕见性难题，多算法的集成运用，可以尽可能弥补检出率。此外，更为重要的是，算法体系需要具有可延展性与适应性，能够通过样本的变化、条件的变化不断训练学习，自我调整，逐渐适应那些未知或少见的新情况。
这样的工业缺陷检测AI平台，与不同的光学技术结合一起，可以在很大程度上规避或克服上述提到的问题。
AI算法与光学的结合是当前研发的重点方向，也是未来的发展趋势。
为克服上述挑战，还需不断研发和创新出新的方法和技术，以实现高效、准确和可靠的工业缺陷检测。
大家觉得哪些算法与光学技术，未来在工业缺陷检测中极具潜力呢？
返回列表
