导读

自亨利·福特首次引入装配线系统以来，过程繁琐，昂贵的手工检查商品越来越不能满足日益强大的制造业，质量控制变成了制造中的大问题。令许多制造商头疼的是，生产过程或材料上产生的微小差异也会使整个生产过程出现缺陷。据分析公司的数据分析，在复杂的生产线上，有些不良率可以达到惊人的90％，在某些行业，50％的生产会由于缺陷而报废。近几年，随着深度学习的发展，工业质量检测领域迎来蓬勃发展。专家预测，2022年将会是工业质检的开花年，日益成熟的深度学习技术将带领工业质检成为继自动驾驶之后最热门的AI行业。今天，我们就一起来了解一下深度学习为工业质检创造的便利条件吧。

背景知识

随着制造业产值的明显增速，迅速催生了由视觉驱动的自动光学检查（AOI）系统，它可以提供彩色图像，帮助工人检测产品，确保产品在进入下一个步骤制造之前提高质量。但是，它仍然相对较慢，准确度不高，且维护费用昂贵。随着工业4．0的快速转型，AOI系统不能处理的问题越来越多，这个时候，基于深度学习而产生的工业缺陷检测系统出现了，它不仅能够区分视觉相似部分的变化和偏差，还能够区分产品的功能缺陷和外部缺陷（轻微），很好地解决AOI系统的缺点。

我们所提到的深度学习其实是机器学习的一个分支，它强调通过提供一个例子来教计算机像人类一样学习。与机器学习不同的是，深度学习模型不需要不断地用明确的指令编程来分析数据。通常，这些模型只提供了一个包含大量相关信息的数据集和一些初始参数，以便对数据进行操作。

深度学习可以解决复杂特征问题

相比传统机器视觉通过视觉工程师来设计算法模型，深度学习技术最大的不同在于，程序能够自主发现需要用什么特征，通过什么样的逻辑关系来完成图像分析任务，实现由程序来设计算法模型。

以乐高积木来类比的话，在传统机器视觉里，人类的工作是从100个乐高元素里挑出数十个，组装起来执行人类设计好的逻辑动作，完成相关任务；而深度学习里，人类告诉机器需要完成的任务，由机器从1亿个乐高元素里，挑出数万个，组装起来并选择需要执行的逻辑动作来完成该任务。这说明其表达能力远远高于人类专家。专家表示，即使需要检测的物品特征以可以接受的方式微妙的发生着变化，深度学习也能够精确的检查并分类。

深度学习可以达到工业精度要求

大家通常会认为，工业应用对于技术精度和稳定性的要求要高于民用技术。所以，在消费领域火热的深度学习技术，是否能够满足工业指标呢？我们以外观缺陷检测为例，看看工业检测具体需要考虑哪些指标。

（检测任务的准确率考核矩阵）

漏判率：漏判会直接造成不良品流向终端客户。所以漏判率要求通常低于100PPM。误判率：误判会直接对工业企业的良率造成影响，会造成物料的浪费。企业对误判率的要求通常要求在1～5（％）之间。在漏判率达标的前提下，只有大幅降低误判率，才能达到减人的目标。节拍：不同行业有较大差异，如电子行业的节拍要求在5秒以内，机械加工行业的节拍要求在几十秒以内。

一方面，深度学习目前的行业普遍技术水平已经能够达到95％以上的判定准确率。通过平衡漏判率和误判率，更加严格地控制漏判，可以让漏判率降到100PPM以下，而误判率降到5％以下。另一方面，针对节拍的要求，由于目前GPU显卡可以达成每秒80祯的图像处理速度，5秒内可以完成400张图片的判定。而一般3C行业的产品较小，只需要10张以内的照片就可以完成产品的覆盖，比如大的机加工产品，也只需不到100张图片进行产品表面的全覆盖。图像处理的速度完成可以满足节拍的要求。所以总体来看，专家认为深度学习技术已经成熟到可以完成复杂工业视觉任务。

尾声

深兰科技也一直在工业质检领域寻求突破。据相关项目负责人表示，在深耕算法研究的基础上，深兰科技硬件智能质检设备队伍也在逐步扩大。目前，深兰科技智能质检设备已经广泛运用于组装件AI检测，平面产品线上质检，金属及其他材料外观检测等多个领域……能为传统制造业节约人工成本，提升工作效率。未来，深兰科技将继续研发解决工业检测痛点的技术和产品，助力中国从“制造大国”向“制造强国”转型。