【虹科干貨】如何用AI視覺助力質量檢測

AI視覺是一種基于計算機視覺和人工智能技術的前沿技術，可應用于各種質檢場景。通過該技術，可以迅速檢測產品外觀缺陷、零件缺陷、裝配誤差等問題，進一步強化產品的質量和穩(wěn)定性。當然，這項技術還需要進一步發(fā)展成熟，特別是在工業(yè)環(huán)境中還需要繼續(xù)完善，才能達到公認的傳統(tǒng)圖像處理方法那樣的接受水平。虹科為用戶提供了友好的軟件工具和智能相機硬件，這樣，即使用戶沒有經驗，也可以使用AI視覺來處理項目應用，并以直觀簡易的方式部署實施。

本文目錄

01 AI帶來的優(yōu)勢

02 應用示例

03 驗證神經網絡訓練的效果

04 具備充分解釋的能力

05 應對計劃之外的情況

06 用戶友好型工具

07 虹科NXT智能相機

08 虹科NXT lighthouse云端AI訓練平臺

01 AI帶來的優(yōu)勢

相比基于規(guī)則的方法，基于AI的方法工作方式完全不同，這是它們最大的優(yōu)勢。這使提供商能夠開發(fā)全新的圖像處理工具，這些工具的使用方式更加直觀。這些工具通過機器學習，已經能夠將人工質量要求工作轉由基于AI的圖像處理系統(tǒng)實施，從而實現(xiàn)了流程優(yōu)化和自動化。通常，在這個過程中不需要編寫任何源代碼，這樣就消除了對編程技能的需求，從而大大拓寬了AI視覺的目標群體。這樣，公司在評估階段不必再依賴程序員和圖像處理專家，可以選擇最了解產品及其特點的員工進行可行性分析。

02 應用示例

我們可以看看一位虹科客戶的應用示例，從而了解AI視覺的優(yōu)勢。旋轉軸通常用卡環(huán)固定。然而，只有卡環(huán)完全嚙合在軸槽中，才能確保連接100%安全。錯誤安裝可能導致產品損壞。質量保證的任務似乎很簡單，只要檢查卡環(huán)是否正確接合即可！然而，事實是，由于尚未找到安全的自動化解決方案，這一檢測仍以人工方式執(zhí)行?；谝?guī)則的圖像處理測試只能確保卡環(huán)是否存在。即使在理想情況下，也只能做到確定卡環(huán)的“耳朵”的距離是否大于要求距離。然而，這并不一定意味著卡環(huán)已牢固接合！它也可能只是放在上面！在這種錯誤情況下，只能通過難以實現(xiàn)的規(guī)則描述細微圖像差異，困難重重。而如果使用機器學習方法進行可行性分析，僅需要正確和錯誤案例的一些圖像示例（在這種情況下不超過300例）來訓練神經網絡，就能夠以較高可信度預測卡環(huán)的錯誤位置。因此，只針對極少數(shù)不確定的結果進行手動目視檢查就足夠了。

03 驗證神經網絡訓練的效果

可以通過樣本圖像的測試來驗證神經網絡訓練的效果。使用包含已知錯誤類別的圖像進行測試運行，就可以體現(xiàn)學習精度和AI結果的質量?！傲己谩焙汀安涣肌卑咐母怕什顒e越明顯，“良好”和“不良”之間的決定性閾值就越清晰，這樣就可以在生產運營后期盡可能減少“良好”和“不良”案例的錯誤識別。測試期間確定的“良好”概率的變化也有助于優(yōu)化生產環(huán)境。畢竟，環(huán)境條件和不相關的圖像內容變化越小，對AI分析中的相關區(qū)別特征做出的質量陳述就越具體。

圖1 使用已知錯誤類別的測試數(shù)據(jù)對訓練后的CNN進行驗證，一方面顯示了網絡識別錯誤的能力，另一方面顯示了結果的變化程度。

04 具備充分解釋的能力

事實上，人工智能質量決策無法通過一組明確定義的規(guī)則進行追蹤，算法更像一個黑匣子，但是這并不意味著結果無法解釋?！盁崃D”或“異常圖”等工具能夠顯示與預測相關的像素在圖像中的位置以及它們產生影響的程度。在我們的卡環(huán)檢查中，這些工具指出了已知缺陷類別的相關特征，符合預期。這在異常檢測中尤為明顯，使我們能夠整理出未知（當然也就未經培訓）的缺陷案例。這證明了機器學習方法還能夠使用已知特征的訓練知識，準確顯示將出現(xiàn)的未知問題。例如，失焦相機圖像導致異常圖在多個位置標記偏差。

圖2 注意力地圖顯示了相關的圖像像素，從而直觀解釋了人工智能預測是如何產生的。

05 應對計劃之外的情況

因此，異常檢測為質量保證帶來了另一項優(yōu)勢，這在基于規(guī)則的圖像處理中難以實現(xiàn)。這種方式能夠發(fā)現(xiàn)相較正常情況的任何偏差，即使在訓練中并未充分體現(xiàn)這種偏差也不會構成障礙，這成為決定性因素。換句話說，它能夠應對計劃之外的情況。因此，當其他方法對“未知”的情況難以判定，有時甚至失敗時，這種方法可以充分發(fā)現(xiàn)各種隱藏問題。這包括在正常運行過程中某個時刻可能發(fā)生的一切情況。由于可以獲得系統(tǒng)狀況的連續(xù)數(shù)據(jù)，例如增加產品缺陷或偏差（即異常）的情況，人們能夠在產品質量大幅下降或發(fā)生最壞情況（如工廠故障）之前確定維護系統(tǒng)的最佳時間。

圖3 異常誤差的增加可能表明由于工具磨損、污垢或其他干擾導致的生產條件惡化。

06 用戶友好型工具

AI視覺可以通過多種方式在質量保證領域大顯身手，并可以擴展或改進現(xiàn)有應用。循序漸進很重要。提前進行可行性分析有助于了解一項任務是否真的可以用AI視覺處理，否則會導致在專家人員、知識構建和AI系統(tǒng)方面白白耗費大量金錢和時間。這就需要一系列用戶友好型軟件工具的幫助，它們可以實現(xiàn)完全基于圖像的初始評估，甚至可以在云端完成。這一過程既不需要具有AI能力的真實視覺系統(tǒng)，也不需要單獨的訓練平臺。這大大降低了投資風險。這些工具用戶界面直觀、工作流及向導易于理解，因而對于那些在AI或圖像處理和應用編程方面還沒有太多經驗的用戶來說，門檻大大降低。盡管如此，AI視覺需要對有效訓練所需的合適視覺材料有一定的了解。這是得出可信結論的先決條件，用戶能夠以可理解的方式對這些結論進行評估。同樣重要的是，引入經驗豐富的合作伙伴后，他們不僅可以使人工智能系統(tǒng)達到最佳狀態(tài)，還能夠查看并支持基于機器學習的質量保證的整個工作流程。由一個服務來源提供充分支持也是保障AI視覺環(huán)境成功的因素之一，應該予以充分重視。因此，AI視覺用于質量保證可能不像宣傳的那么簡單，但肯定比通常認為的更簡單。

07 虹科NXT智能相機

主要特點：

圖像處理“邊緣設備”的嵌入式解決方案

降低網絡負載，減少能耗

開發(fā)您的專屬視覺應用，將應用安裝在相機上

推理時間短

提供不同的保護等級和傳感器

適合任何檢測和分類應用

小體積，重量輕

08 虹科NXT lighthouse AI訓練平臺

#

完整工作流程

虹科 NXT lighthouse是一個基于云的AI視覺工作站，用于管理和注釋圖像數(shù)據(jù)集、訓練神經網絡并基于它們創(chuàng)建圖像處理應用。因此，AI視覺任務可以通過一個云服務得到充分開發(fā)和解決。

#

流程簡單

幾分鐘內搭建人工神經網絡。只需關鍵的三步：用戶上傳訓練圖像，標記這些圖像，然后訓練目標網絡。

#

即時可用

只需調用Web應用程序，然后登錄，您就可以開始訓練人工神經網絡。無需創(chuàng)建單獨的開發(fā)環(huán)境，可以直接使用所有功能以及所需的基礎結構。

#

非常安全

可以選擇在微軟Azure或AWS（亞馬遜網絡服務）上托管和運行IDS lighthouse。這兩種云服務都將客戶和應用程序的數(shù)據(jù)存儲在嚴格安全的數(shù)據(jù)中心。

#

適合您的選擇

用戶自行決定 NXT相機的推理速度和準確度。推理時間為15到120毫秒。

#

簡易應用開發(fā)

借助模塊化編輯器，即使沒有編程知識，也可以使用機器學習方法創(chuàng)建單獨的圖像處理序列，例如對象的檢測或分類。作為Vision應用，這些過程可以直接在NXT設備上執(zhí)行。