表面缺陷檢測，當機器擁有視覺

曾有一個科研項目，青島啤酒廠委託，研究啤酒瓶的質量檢測。

通常這種玻璃瓶會有必定次品、不良品，特徵是，內部細細的裂縫紋路長度長於必定限制，那麼這種啤酒瓶在運輸或者開瓶蓋的過程當中就有炸裂的風險。

因此，採用計算機攝像，機器視覺，人工智能的技術，加以判斷甄別，減小人工工做量和失誤。

如今，各類基於人工智能、機器學習、深度學習的自動檢測、探傷、表面缺陷檢測的產品部署在一條條生產線上。

當你買到拿到心儀的產品的時候，映入眼簾的，就是它的外觀，這是靠模具廠、組裝廠的工人們精心呵護生產出來的，有的靠人眼檢查，有的靠自動化設備檢查，不放過一點瑕疵。

缺陷檢測被普遍使用於布匹瑕疵檢測、工件表面質量檢測、航空航天領域等。傳統的算法對規則缺陷以及場景比較簡單的場合，可以很好工做，可是對特徵不明顯的、形狀多樣、場景比較混亂的場合，則再也不適用。近年來，基於深度學習的識別算法愈來愈成熟，許多公司，例如速嵌智造，把深度學習算法應用到工業場合中。

如今，機器視覺在工業檢測、包裝印刷、食品工業、航空航天、生物醫學工程、軍事科技、智能交通、文字識別等領域獲得了普遍的應用。工業檢測領域是機器視覺應用中比重最大的領域，主要用於產品質量檢測、產品分類、產品包裝等，如：零件裝配完整性檢測，裝配尺寸精度檢測，位置/角度測量，零件識別，PCB板檢測，印刷品檢測，瓶蓋檢測，玻璃、菸草、棉花檢測，以及指紋、汽車牌照、人臉、條碼等識別。表面質量檢測系統是工業檢測的極其重要的組成部分，機器視覺表面缺陷檢測在許多行業開始應用，涉及鋼板、玻璃、印刷、電子、紡織品、零件、水果、木材、瓷磚、鋼軌等多種關係國計民生的行業和產品。

以下圖所示，這裏以QuickEmbed研究的布匹數據做爲案例，常見的有如下三種缺陷，磨損、白點、多線。

識別結果以下

工業零件在製造完成的時候，每每須要去檢測其完整性和功能性。以下圖所示，幾種常見缺陷檢測。

工件裂紋

下面對各行業應用稍加分析闡述

1.航空業

這不只是一個知足對飛機全部零部件生產要求和規格的問題，並且是一個在過後發現缺陷時代價高昂的延遲問題。

據波音公司稱，在2.6萬億美圓的航空服務市場中，70%的份額用於質量和維護。考慮到僅2016年美國的機械問題就估計耗資超過5億美圓，這應該不足爲奇。此外，航班延誤(許多乘客滯留)約有三分之一與維修有關。

視覺檢測技術與DL相結合，能夠將組件與規格進行比較，發現生產過程當中的缺陷。除此以外，製造商還應知足按期維護要求，以確保乘客安全，並遵循政府的指導方針。這些技術能夠識別如下缺陷和問題:

腐蝕-計算機視覺系統能夠在更短的時間內對各個部件進行檢查，並返回更完全的檢查結果。

發動機內部部件的磨損-對發動機內部部件進行遠程目視檢查，以確保有效和安全的運行。

鋁板厚度(經過三維測量)-厚度計能夠提供高精度，無損讀數對大型和複雜的鋁板;並將收集到的數據上傳到您的系統進行進一步的分析。

自動車輪檢查-接收有關飛機車輪疲勞裂紋的即時數據。經過使用由計算機視覺驅動的系統，操做人員沒必要浪費時間在冗長的檢查上，能夠專一於手頭的其餘工做。

葉片在製造或修理後的檢查-計算機射線照相和數字射線照相可用於檢查葉片的關鍵缺陷。所以，無需使用數字格式的化學品，就能夠快速得到圖像。後者能夠進一步進行失效分析，並帶來精確的三維測量。

2.汽車行業

安全問題讓OEM和一級供應商夜不能寐。這是乘客的風險/死亡問題，也是公司聲譽的問題。最近，豐田贊成支付13億美圓的和解金，緣由是一項缺陷致使汽車加速，即便司機試圖減速。美國有6人死於這種缺陷。

利用視覺檢查、人工智能和深度學習的認知能力，原始設備製造商能夠更準確地分析和識別質量問題，甚至在問題發生以前就解決它們。隨着時間的推移，當他們熟悉更多類型的缺陷時，這些可視化的洞察和分析能夠肯定缺陷的嚴重程度。

一家領先的汽車製造商採用智能光學檢測解決方案來檢測金屬表面的劃痕和凹痕缺陷。對於人類檢查員來講，在光亮的表面上發現這樣的缺陷是極其困難的。傳統的機器檢查也沒有什麼幫助，由於系統不能捕獲不可預測的凹痕或劃痕缺陷。另外一個問題是，該系統必須由人類員工進行培訓，提供有缺陷部件的圖像，教會它分辨哪些部件是能夠接受的，哪些部件是不可接受的。然而，公司一開始就有一個至關低的缺陷率，它花費了他們大量的時間和精力來收集一個小的可視化數據集來表示足夠的缺陷變化。最終，他們選擇了一個更「智能」的系統，並很快意識到採用後的好處以下:

下降66%的檢驗成本

假陽性率下降33%

假陰性率維持在1%如下

3.計算機設備製造業

自動光學檢測(AOI)曾經是製造業計算機設備的天然選擇，特別是因爲對小型電路板設計的需求正在增加，並且在某些狀況下，缺陷可能被證實是高度有害的。

除此以外，AOI還能夠檢測到:

區域缺陷

組件偏移

焊料問題

外來材料

高度和體積缺陷

短路

安裝錯誤

當爲AOI檢查設置規格和方差裕度時，它們要比人工檢查精確得多。然而，AOI系統仍然沒法檢測到設備的「外觀」問題。

這就是爲何富士通實驗室一直在率先爲電子行業開發支持人工智能的識別系統，並在質量、成本和交付方面報告了大量進展。經過遺傳編程，該公司的圖像識別系統實際上生成了檢測代碼，可以產生幾乎100%的識別率。將該技術應用於生產現場，開發時間減小80%左右，識別率達到97%。

然而，不只僅是高價值的製造可使用自動化的視覺檢查和人工智能。考慮一下這兩個來自以消費者爲基礎的行業的例子。

4.紡織行業

在某個時刻，咱們全部人都買了衣服，發現裏面貼着「被(某個數字)檢查過」的小標籤。這意味着人工檢查產品在縫紉、織造等方面的缺陷，並肯定其符合公司的質量規格。顯然，這是一個代價高昂且容易出錯的過程。接受有缺陷產品的客戶必須通過退貨/換貨程序，這是公司不喜歡的。

自動視覺檢查的實現，以及DL功能，如今能夠檢測紋理、編織、縫合，甚至顏色匹配的問題。當發現缺陷時，不只能夠將紡織品或產品從生產線上移除，並且還能夠發現缺陷的根源，並在將來進行修復和預防。

同時，能夠對這些系統進行微調，以接受更大範圍的容錯能力。例如，Datacolor的人工智能系統能夠考慮過去由人工操做人員進行的視覺檢查的歷史數據，從而建立與視覺檢查樣本更接近的自定義公差。

紡織業最新的人工智能用例之一是建立一個檢測和測量織物褶皺的系統。目前織物起皺性能的測量大可能是手工進行的，比較繁瑣。計算機視覺驅動的皺紋測量能夠幫助製造商下降成本和時間所需的這一過程。

5.玻璃行業

這個行業常常面臨的問題之一是玻璃在生產過程當中的缺陷——切屑、劃痕等。一般，當前的檢測方法會產生「假陽性」，例如水滴被識別爲切屑。

經過自定義計算機視覺和人工智能模型的實現，能夠消除這些類型的錯誤。在一個案例中，正確的缺陷識別爲一家大型玻璃製造商在每條生產線上平均節省了3.6萬美圓，總計每一年節省近100萬美圓。

質量控制是一個公司保持製造標準、客戶滿意度以及最終聲譽和利潤的主要因素。計算機視覺有巨大的質量控制潛力。