先進(jìn)制造業(yè)·導(dǎo)讀

 

工信部聯(lián)合國家發(fā)展改革委、教育部、科技部等部門發(fā)布了十四五智能制造發(fā)展規(guī)劃。規(guī)劃中提出：到2025年70%規(guī)模以上的制造業(yè)企業(yè)基本要實(shí)現(xiàn)數(shù)字化網(wǎng)絡(luò)化，建成500個(gè)以上引領(lǐng)行業(yè)發(fā)展的智能制造示范工廠。

                                                                       

制造業(yè)離不開質(zhì)檢

質(zhì)檢需要AI智能化賦能
 

制造業(yè)企業(yè)生產(chǎn)效率、良品率、能源利用率等要明顯提升。其中提到的生產(chǎn)效率和產(chǎn)品良品率是與工業(yè)質(zhì)檢息息相關(guān)的，而AI質(zhì)檢的加入也在這場智能制造發(fā)展趨勢下被寄予厚望。

 

 質(zhì)檢對于制造企業(yè)來說是非常重要的一個(gè)環(huán)節(jié)，眼睛里能看見的產(chǎn)品都是通過了質(zhì)量檢測。而每個(gè)產(chǎn)品的內(nèi)部都包含了各種金屬零部件，這些金屬零部件也是需要質(zhì)量檢測的。

 

當(dāng)然，針對這些產(chǎn)品的質(zhì)檢標(biāo)準(zhǔn)和方式在每個(gè)行業(yè)都不一樣。我們今天的分享將聚焦到質(zhì)檢中的細(xì)分領(lǐng)域：金屬零部件的外觀質(zhì)量視覺檢測。

 

首先，大家可以看下圖，來自部分用戶寄來的金屬零件樣本：切割機(jī)壓板、金屬序列號。針對這些零件，工廠的訴求都是要對其外觀瑕疵進(jìn)行視覺檢測。

 

 

那么傳統(tǒng)常規(guī)的質(zhì)檢方式是怎樣的呢？

 

 

 

方法一：人工視覺檢測

依靠人工的方式存在幾個(gè)問題：

• 檢測標(biāo)準(zhǔn)不統(tǒng)一，每個(gè)人的檢測結(jié)果也會有差別，不可能復(fù)制；
• 勞動強(qiáng)度大，工人很容易產(chǎn)生視覺疲勞，從而導(dǎo)致誤檢/漏檢率上升。同時(shí)也可能會有工人操作安全隱患；
• 人工質(zhì)檢的培訓(xùn)成本很高，周期長，每一次的培訓(xùn)結(jié)果也不可能復(fù)制。假如陸續(xù)要100個(gè)質(zhì)檢崗位，就預(yù)示著需要培訓(xùn)100次。

 

 

 

方法二：傳統(tǒng)機(jī)器視覺檢測

這種方法只能解決一些特定的問題。如果是在特征裝備場景比較復(fù)雜的情況下，或者金屬反光零件表面檢測這類情況，傳統(tǒng)機(jī)器視覺檢測的漏檢率就不好控制了。而且傳統(tǒng)視覺檢測的整個(gè)部署周期比較長，成本也是很多工廠承擔(dān)不起的。

 

在走訪過的幾十家工廠車間后，能夠直觀地了解到，每一個(gè)工廠的構(gòu)建是有差異的，而且質(zhì)檢的內(nèi)容和標(biāo)準(zhǔn)也是各不相同。如果針對每家產(chǎn)品成立算法團(tuán)隊(duì)去進(jìn)行模型訓(xùn)練，算法工程師完全不夠用，且人力成本也是一筆不小的投入。

 

 

但如果使用飛槳EasyDL零門檻AI開發(fā)平臺進(jìn)行AI模型搭建，工廠的普通技術(shù)工人就能勝任，面向零算法基礎(chǔ)人群、簡單易上手。接下來，我們從具體幾個(gè)金屬零部件視覺質(zhì)檢案例，進(jìn)一步了解AI質(zhì)檢。

 飛槳EasyDL工業(yè)質(zhì)檢

案例展示

 

金屬零部件具備一些特點(diǎn)，比如：反光、有電鍍層、正反面識別、復(fù)雜金相識別等。但這些特性在飛槳EasyDL視覺檢測中，恰恰不用擔(dān)心。

 

以下圖為例，這是一家檢測螺紋口的公司提供的樣本?？梢钥吹铰菁y口由于磨損或潤滑不夠?qū)е掠欣z或疤痕的狀態(tài)。同時(shí)由于螺紋口本身尺寸不大，與一毛錢硬幣相比還要小幾分，因此如果通過肉眼觀察，很難分辨出哪一個(gè)是合格或不合格。

 

螺紋口樣本

 

根據(jù)樣本特征進(jìn)行采集，并使用飛槳EasyDL針對零件進(jìn)行AI檢測模型創(chuàng)建，標(biāo)注出哪些樣本為合格，哪些是不合格。

 

標(biāo)注瑕疵

 

標(biāo)注后在飛槳EasyDL平臺進(jìn)行訓(xùn)練并最終部署到邊緣計(jì)算模塊。如果出現(xiàn)蜂鳴和紅燈提示，說明這個(gè)零件是不合格的，如果綠燈亮起，說明這個(gè)零件是合格的。

 

檢驗(yàn)效果

 

如何建立以飛槳EasyDL為核心的AI質(zhì)檢系統(tǒng)，僅需幾步即可完成。首先是樣本分析采集，其次是基于飛槳EasyDL的深度學(xué)習(xí)模型訓(xùn)練，最后再到邊緣計(jì)算的部署。大家可以發(fā)現(xiàn)，AI質(zhì)檢系統(tǒng)中不僅需要核心算法，還需要很多的硬件支撐，彼此相輔相成。接下來詳析帶大家拆解步驟。

 

 

 

第一步：樣本采集

將部分模擬量轉(zhuǎn)換成可以量化的數(shù)字量。比如，這些金屬零件上的劃痕、瑕疵，或者是零件裝配上的位置信息等，都需要將這些信息采集之后傳達(dá)飛槳EasyDL。初始數(shù)據(jù)采集的準(zhǔn)確性直接影響到后面模型訓(xùn)練的準(zhǔn)確度。

 

 

在這里就要提到一個(gè)很重要的配件，即樣本采集用的鏡頭，它就相當(dāng)于飛槳EasyDL在真實(shí)生產(chǎn)流水線上的智能眼睛。采用什么樣的鏡頭，也就意味著讓AI能看到什么樣的內(nèi)容。這里有兩個(gè)關(guān)鍵點(diǎn)：如何操作鏡頭以及如何為樣本匹配一個(gè)合適的鏡頭。

 

 

先說操作鏡頭。針對AI質(zhì)檢選取的都是工業(yè)專用的鏡頭，其使用邏輯和原理與日常攝影鏡頭并無二致。因此我們需要了解一些攝影相關(guān)技術(shù)，如：焦距、變焦、定焦、微距、快門、光圈、感光度、噪點(diǎn)等，都屬于攝影的基礎(chǔ)知識。這些知識對樣本采集起到很好的輔助作用，毫不夸張地說：成功的AI樣本采集是從一張信息準(zhǔn)確且直觀的照片開始。

 

熟悉鏡頭操作后，就需要給實(shí)際樣本匹配鏡頭。從樣本大小、遠(yuǎn)近、位置和運(yùn)動的模式等方面綜合考慮。比如我們上面提到的螺紋瑕疵，可以選擇微距，從而讓瑕疵很快被鏡頭捕捉到。樣本取樣中需要爭取每個(gè)角度都有側(cè)重，甚至要關(guān)注不同光線下的樣本選取。

 

 

 

第二步：樣本標(biāo)注

在數(shù)據(jù)準(zhǔn)備完成后導(dǎo)入飛槳EasyDL進(jìn)行標(biāo)注，在這里需要注意標(biāo)簽和標(biāo)注的重點(diǎn)。

 

標(biāo)簽

標(biāo)簽是圍繞著樣本要表達(dá)的信息和實(shí)際部署場景展開的。比如外殼的劃痕檢測，工廠要求一旦出現(xiàn)劃痕就視為不合格，或者是裝配位置有一個(gè)螺絲，也視為不合格。所以在建立標(biāo)簽的時(shí)候，一定要按照實(shí)際的質(zhì)檢需求和流程設(shè)定標(biāo)簽。

 

標(biāo)注

標(biāo)注也是飛槳EasyDL中非常重要的環(huán)節(jié)，需要將圖像中涉及的瑕疵全部準(zhǔn)確框定標(biāo)注。利用平臺提供的自動標(biāo)注、糾錯(cuò)、評估報(bào)告等反復(fù)確認(rèn)標(biāo)注信息的準(zhǔn)確無誤。

在這里提到評估報(bào)告中的maP值，有98%、99%這樣的數(shù)值體現(xiàn)，這是深度學(xué)習(xí)領(lǐng)域里面衡量模型效果的指標(biāo)。98%并不是說有2%的錯(cuò)誤率，需要結(jié)合評估報(bào)告了解詳情。

 

準(zhǔn)確的標(biāo)注對模型效果至關(guān)重要

 

 

 

第三步：模型部署

訓(xùn)練好的AI模型需要部署到邊緣計(jì)算模塊或者叫邊緣計(jì)算相機(jī)。本次案例中使用到到的邊緣計(jì)算相機(jī)是集成度很高的產(chǎn)品“辨影”，部署簡單且接口豐富。在飛槳EasyDL中訓(xùn)練好的模型通過多種方式可直接部署到辨影中，整個(gè)部署過程中不需要再編寫任何代碼。

 

辨影本身自帶高靈敏度的液晶觸摸屏，在不用外接顯示器的情況下就可以對模型進(jìn)行管理，比如：圖像的自動拍照、采樣以及各種調(diào)節(jié)等，且內(nèi)置了蜂鳴器，可對效果驗(yàn)證給到提示。在接口方面包含了現(xiàn)在大部分的常用輸入和輸出接口，支持多種觸發(fā)方式和信號輸出。也可以外接攝像頭或各種視頻信號，也可以連接到PLC、單片機(jī)、網(wǎng)站、服務(wù)器和手機(jī)APP等。

 

邊緣計(jì)算模塊（辨影）工作流程圖

 

最終通過邊緣相機(jī)驗(yàn)證模型檢驗(yàn)效果。到這里就完成了用飛槳EasyDL進(jìn)行AI質(zhì)檢模型訓(xùn)練過程。
 

哪些質(zhì)檢項(xiàng)目

 

適合用AI來完成檢測呢？

 

那么，哪些質(zhì)檢項(xiàng)目適合用AI來完成呢？

 

「如果能夠一眼看出來的區(qū)別和變化，就可以嘗試使用AI來完成」

 

這是一個(gè)簡單直接的判斷方式，當(dāng)然，產(chǎn)業(yè)用戶更多分布在汽車、金屬加工、3C電子等領(lǐng)域，這類用戶對自動化及AI的理解更多面一些。

 

除此之外，手工生產(chǎn)產(chǎn)品的AI質(zhì)檢領(lǐng)域也非常廣闊。雖然目前我國正在進(jìn)行產(chǎn)業(yè)轉(zhuǎn)型，但仍然有大量工廠依賴人工生產(chǎn)及質(zhì)檢。一個(gè)工人一天要手工挑選上萬件產(chǎn)品，比如一根USB線，注塑完后有沒有問題，壓鑄有沒有問題，都是在靠人工檢查。又或者是拉鎖的識別，需要檢查拉鎖是否有缺齒，這些都占據(jù)工人大量精力。應(yīng)用AI減少重復(fù)性勞動、提升質(zhì)檢效率，并且能夠高標(biāo)準(zhǔn)確保品控。

 

總結(jié)一下，飛槳EasyDL的部署在工業(yè)質(zhì)檢上有如下三點(diǎn)優(yōu)勢：

• 人員成本低
• 操作學(xué)習(xí)成本低
• 部署場景要求低

 

百度AI線上研討會來襲

 

AI技術(shù)的加持，正在加速車企的數(shù)字化轉(zhuǎn)型。數(shù)字化轉(zhuǎn)型是汽車零部件制造企業(yè)的“剛需”還是“可選項(xiàng)”？AI如何更好地與企業(yè)業(yè)務(wù)結(jié)合？企業(yè)如何通過模型算法生成高效可執(zhí)行的生產(chǎn)效能？疫情之下，汽車零部件制造企業(yè)如何“擁抱變化”？6月15日，一起來尋找答案。

 

掃碼加入課程交流群

 

課程詳情

相關(guān)熱詞搜索：