深度學習算法在機器視覺中就如一個巧妙的接收轉換器般的存在，它靈活、敏捷、“深度”與廣度兼具，強悍的計算與預測能力可以稱為其魅力之處。深度計算——可以集數億個神經網絡的自擬，對于數據、語音、圖像等多種形式的資源進行分析、解釋。

需求背景

科技進程的加速，產品的品質化與智能化要求在日益擴增。生產制造商對于產品的質檢體系需要不斷地更新升級，跨越了從人工檢測到傳統的視覺檢測再到具有深度學習算法的智能檢測這一整條進化鏈，深度學習算法彌補了傳統算法無法檢測復雜特征的漏缺，免去了人工提取特征這一耗時耗力的步驟，更大程度為生產企業提升制造效率。然而凡事都有兩面性，深度學習算法也不例外，只是，其優勢的比例遠遠超越了不足，因而能迅速占領行業市場。

目前深度學習廣泛應用在圖像、語音、自然語言處理、CTR預估、大數據特征提取等技術領域，同時在多個行業內備受認可與青睞，比如數字助手、能源、制造業、農業、零售、汽車等行業的生產制造與服務過程中不同程度地融入了深度學習算法技術以及技術產品，展現了人工智能與物聯網的時代特色與科技進步。

案例展示

基于客戶產品的外觀缺陷檢測需求，三姆森自主研發了一套融合深度學習算法的檢測解決方案，方案主要針對顯示屏的缺陷檢測技術做了一個相對清晰、客觀的解析，將深度學習算法與光技術成功地結合。（深度學習算法成為該方案的核心部分，它的功能設定一方面體現在實現對缺陷輪廓的提取，另一方面體現于對缺陷的尺寸、面積等進行判辨與管控）

深度學習算法流程圖

核心功能模塊

• 對缺陷進行自動分級、位置標記、靈敏度控制
• 自動挑選樣本、診斷模型、輸出最佳神經網絡
• 自動學習、不斷優化性能
• 模型優化、調整檢測標準

深度學習算法備受青睞的原因

不僅僅源于其強大的特性

更大程度在于相較傳統算法的明顯優勢

優勢對比

• 在檢測性能上

擁有對顏色、亮度、對比度等更具穩定性的測試效果，較大幅度地提升了檢測能力，能達到：3%≤過殺率≤10%；漏檢率≤0.5%（而傳統算法通常只有：8%≤過殺率≤12%；漏檢率≤1%）

• 在操作性上

AI算法在經前期模型的訓練后，就能靈活適應產品的頻繁更換，減免了參數調整的繁瑣步驟。

• 在算法拓展性上

AI算法有利于后續對軟件的升級優化，其發展提升的可能性更廣闊。

算法說明

• 算法計算亞像素輪廓面積時，面積范圍被定義為該線包圍區域。

• 算法計算輪廓面積時，物體的實際成像面積為12個像素點，（右圖中數字對應像素點）



• 深度學習算法效果

檢測效果佳，即使背景復雜，影響也較弱

• 能對灰塵、異物進行過濾，避免其受影響干擾



• 準確分辨、歸類不同缺陷

巧妙的深度學習算法為實際的產品檢測（比如手機顯示屏的AOI外觀檢測）增附了更多的優點，比如測量精度大幅提高、通用性良佳、極低的誤檢率和不良漏檢率，適應不同客戶的多種生產產品和模式，使得其核心功能為企業生產制造實現了價值效益。

檢測案例

刮傷、點傷、臟污、絲印不良等的檢測

• 產品正面黑點、劃傷：

臟污檢測效果圖

• 主檢正面面板臟污、黑點等缺陷

軟板連接器檢測效果圖

• 檢測連接器上刮傷、壓傷、錫球、橋接、異物、少錫

軟板二維碼檢測效果圖

• 檢測二維碼不能讀取、字符缺失等缺陷

技術展望

在多元化的數字信息時代、科技電子產品迅速繁衍，AI智能將逐漸覆蓋我們的生活，科技創新有著無限種可能，深度學習算法必然會向多領域發展，機器視覺檢測與深度學習的結合或許會上升到一個更高級的層次，現在的設備能篩檢多種缺陷，也許在未來，不再是單一的外觀檢測了，取而代之的是更全面的產品檢測，展望技術的不斷革新與進步。

[[393608]]