實用！矩視云平臺像素分割模塊在工業(yè)檢測中的應(yīng)用（附案例詳解）

應(yīng)用背景

用戶和生產(chǎn)企業(yè)對產(chǎn)品質(zhì)量的要求越來越高，除要求滿足使用性能外，還要有良好的外觀，即良好的表面質(zhì)量。但是，在制造產(chǎn)品的過程中，表面缺陷的產(chǎn)生往往是不可避免的。

不同產(chǎn)品的表面缺陷有著不同的定義和類型，一般而言表面缺陷是產(chǎn)品表面局部物理或化學(xué)性質(zhì)不均勻的區(qū)域，如金屬表面的劃痕、斑點、孔洞，紙張表面的色差、壓痕，玻璃等非金屬表面的夾雜、破損、污點，等等。

表面缺陷不僅影響產(chǎn)品的美觀和舒適度，而且一般也會對其使用性能帶來不良影響，所以生產(chǎn)企業(yè)對產(chǎn)品的表面缺陷檢測非常重視，以便及時發(fā)現(xiàn)，從而有效控制產(chǎn)品質(zhì)量。

但何為缺陷？

當(dāng)前對于缺陷有兩種認(rèn)知的方式，第一種是有監(jiān)督的方法，利用標(biāo)記了標(biāo)簽的缺陷圖像輸入到網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，此時"缺陷"意味著標(biāo)記過的區(qū)域或者圖像。第二種是無監(jiān)督的方法，就是將正常無缺陷的樣本進(jìn)行學(xué)習(xí)，學(xué)習(xí)正常區(qū)域的特征，網(wǎng)絡(luò)檢測異常的區(qū)域。

進(jìn)行產(chǎn)品缺陷檢測的任務(wù)大致分為三個階段：缺陷分類、缺陷定位、缺陷分割。

傳統(tǒng)的工業(yè)生產(chǎn)制造，由于科學(xué)技術(shù)的限制仍然主要采用人工檢測的方法去檢測產(chǎn)品表面的缺陷，這種方法由于人工的限制和技術(shù)的落后，該方法抽檢率低、準(zhǔn)確性不高、實時性差、效率低、勞動強(qiáng)度大、受人工經(jīng)驗和主觀因素的影響大，所以，基于機(jī)器視覺的檢測方法可以很大程度上克服上述弊端。

機(jī)器視覺在缺陷檢測領(lǐng)域的應(yīng)用

機(jī)器學(xué)習(xí)領(lǐng)域，在深度學(xué)習(xí)還沒有發(fā)展的這么火熱之前， 國外幾款做的比較成功的視覺軟件，很多模塊都有定位，測量，檢測等功能?；趫D像處理和分析對產(chǎn)品可能存在的缺陷進(jìn)行檢測，這種方法采用非接觸的工作方式，安裝靈活，測量精度和速度都比較高。

但這些傳統(tǒng)的方法來做缺陷檢測大多都是靠人來特征工程， 從形狀，顏色， 長度，寬度，長寬比來確定被檢測的目標(biāo)是否符合標(biāo)準(zhǔn)，最終定義出一系列的規(guī)則來進(jìn)行缺陷檢測。

傳統(tǒng)機(jī)器視覺

這樣的方法當(dāng)然在一些簡單的場景中已經(jīng)應(yīng)用的很好，唯一的缺點是隨著被檢測物體的變動，所有的規(guī)則和算法都要重新設(shè)計和開發(fā)，即使是同樣的產(chǎn)品，不同批次的變化都會造成不能重用的現(xiàn)實。

所以，傳統(tǒng)機(jī)器視覺算法通常處理容易提取，容易量化的特征：顏色、面積、圓度、角度、長度等。

但由于缺陷多種多樣，傳統(tǒng)的機(jī)器視覺算法很難做到對缺陷特征完整的建模和遷移，復(fù)用性不大，要求區(qū)分工況，這會浪費大量的人力成本。

基于深度學(xué)習(xí)的缺陷檢測完美地規(guī)避了這類問題，它不僅在特征提取和定位上取得了非常好的效果，越來越多的學(xué)者和工程人員還開始將深度學(xué)習(xí)算法引入到缺陷檢測領(lǐng)域中。

深度學(xué)習(xí)

矩視云低代碼平臺“像素分割”模塊案例詳解

矩視智能低代碼平臺是基于深度學(xué)習(xí)的AI機(jī)器視覺低代碼開發(fā)平臺，賦能多種工業(yè)應(yīng)用場景，有效解決復(fù)雜缺陷的定位識別、分類定級及字符識別等問題，具有強(qiáng)大的兼容性。

矩視提供了一個標(biāo)準(zhǔn)化的開發(fā)平臺，內(nèi)置豐富的開發(fā)工具，不需任何圖像知識，無需編程，支持深度學(xué)習(xí)模型訓(xùn)練閉環(huán)，滿足不同業(yè)務(wù)場景下的客戶碎片化、差異化的檢測需求，以較低成本解決客戶檢測難題。

功能概述

利用深度學(xué)習(xí)技術(shù)訓(xùn)練模型，實現(xiàn)對標(biāo)記特征缺陷的定向識別檢測，支持對圖像進(jìn)行像素級檢測，精準(zhǔn)識別缺陷的位置和類別。常用于檢測產(chǎn)品表面細(xì)小的缺陷，例如裂紋、劃痕、臟污、缺損等，是應(yīng)用最為廣泛的缺陷檢測工具。

功能特點

? 通用性強(qiáng)：云端積累大量不同場景AI算法庫，用戶僅需上傳圖片，進(jìn)行標(biāo)注，后臺將自動匹配最精準(zhǔn)的AI算法。

? 多缺陷同時學(xué)習(xí)：同一個模型下，支持多種缺陷標(biāo)記，即可同時檢測一張圖片內(nèi)的多種缺陷，并且可以對缺陷進(jìn)行分類。

? 像素級檢測及閾值設(shè)置：對產(chǎn)品的缺陷檢測可以精確到像素級，并且可以通過閾值對缺陷程度的評分來控制誤檢率和漏檢率，從而達(dá)到對產(chǎn)品質(zhì)量的把控。

應(yīng)用場景

? 不規(guī)則形狀目標(biāo)檢測

? 小目標(biāo)檢測

模塊使用

1、訓(xùn)練階段

導(dǎo)入樣圖，在標(biāo)簽列表添加相對應(yīng)的缺陷標(biāo)簽，選擇標(biāo)注工具，將上傳圖片的缺陷部分和標(biāo)簽逐一對應(yīng)標(biāo)注（每張圖片內(nèi)所有需要定位的缺陷需全部標(biāo)注），標(biāo)注結(jié)束后，無需配置模型訓(xùn)練參數(shù)和服務(wù)器資源，一鍵訓(xùn)練進(jìn)入深度學(xué)習(xí)階段，通過對原始數(shù)據(jù)多步特征轉(zhuǎn)換，得到更高層次、更加抽象的特征表示。

2、測試階段

經(jīng)過適當(dāng)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)可以很好地識別出變量環(huán)境（如物體形狀的變化、不同的分辨率或光源條件）中的物體，精準(zhǔn)判斷圖片中存在的缺陷因素，并進(jìn)行自動標(biāo)注。

3、推理階段：

輸入：待檢圖片

輸出：NG/OK圖

案例解析：口罩表面缺陷檢測

檢測需求

能對口罩正反面臟污/蚊蟲/毛發(fā)、耳帶長度/偏位、鼻梁條長度/偏位、焊點接口、排齒等功能檢測，以保證在生產(chǎn)過程中能夠有效的剔除不良品，提高產(chǎn)品的生產(chǎn)效率，及產(chǎn)品合格率。

檢測難點

缺陷種類多且形態(tài)不規(guī)則、差異大，缺陷出現(xiàn)區(qū)域隨機(jī)。

檢測方案

利用矩視智能低代碼云平臺的像素分割模塊，構(gòu)建基于深度學(xué)習(xí)的口罩缺陷識別模型。

操作步驟

1、選擇“像素分割”模型

2、上傳樣圖，建議上傳30張以上圖片

3、標(biāo)注

使用標(biāo)注工具對口罩表面缺陷進(jìn)行標(biāo)注；對于無缺陷的圖片，可跳過標(biāo)注

4、模型訓(xùn)練

一鍵進(jìn)入訓(xùn)練階段，等待訓(xùn)練完成

5、模型測試

精準(zhǔn)判斷未標(biāo)注圖片中存在的缺陷因素，并進(jìn)行自動標(biāo)注

測試效果

數(shù)據(jù)測試準(zhǔn)確率>99%，0漏檢，能精準(zhǔn)對口罩正反面臟污/蚊蟲/毛發(fā)、耳帶長度/偏位、鼻梁條長度/偏位、焊點接口、排齒等缺陷進(jìn)行檢測。

矩視智能機(jī)器視覺低代碼平臺是一個面向機(jī)器視覺應(yīng)用的云端協(xié)同開發(fā)平臺，始終秉承0成本、0代碼、0門檻、0硬件的產(chǎn)品理念。

平臺以人工智能技術(shù)為核心，在機(jī)器視覺應(yīng)用開發(fā)環(huán)節(jié)，為開發(fā)者提供圖像采集、圖像標(biāo)注、算法開發(fā)、算法封裝和應(yīng)用集成的一站式完整工具鏈。覆蓋字符識別、缺陷檢測、尺寸測量、目標(biāo)定位等上百項通用功能，致力于成為全球用戶量最多，落地場景最廣泛的機(jī)器視覺低代碼平臺。

更多功能正在開發(fā)中，最新信息會第一時間在官方公眾號“矩視智能”進(jìn)行公布，歡迎大家關(guān)注哦