面對(duì)全球產(chǎn)業(yè)鏈、供應(yīng)鏈重塑的挑戰(zhàn)，企業(yè)數(shù)字化、智能化發(fā)展成為制造業(yè)乃至全社會(huì)的重點(diǎn)研究課題，智能制造成為國(guó)家實(shí)施制造強(qiáng)國(guó)的新戰(zhàn)略正是應(yīng)對(duì)這一挑戰(zhàn)的破題舉措。作為智能制造的重要一環(huán)，智能檢測(cè)技術(shù)在各行各業(yè)有著廣泛而又重要的應(yīng)用，發(fā)展智能檢測(cè)裝備是補(bǔ)齊短板弱項(xiàng)、建設(shè)制造強(qiáng)國(guó)的迫切需要。深度學(xué)習(xí)作為人工智能領(lǐng)域的重要分支，近年來(lái)在智能檢測(cè)裝備中得到了廣泛的應(yīng)用和深入的研究，深度學(xué)習(xí)的應(yīng)用正在逐步改變傳統(tǒng)的檢測(cè)模式，使得設(shè)備的檢測(cè)精度、效率和智能化程度得到顯著提升，正逐漸成為推動(dòng)工業(yè)質(zhì)檢轉(zhuǎn)型升級(jí)的關(guān)鍵力量。

一、深度學(xué)習(xí)技術(shù)優(yōu)勢(shì)對(duì)比

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)研究中的一個(gè)新的領(lǐng)域，其動(dòng)機(jī)在于建立、模擬人腦進(jìn)行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，它模仿人腦的機(jī)制來(lái)解釋數(shù)據(jù)，例如圖像，聲音和文本等。深度學(xué)習(xí)和傳統(tǒng)的機(jī)器視覺(jué)算法最大的不同就在于特征提取。傳統(tǒng)的視覺(jué)學(xué)習(xí)算法,需要依賴人類的專家手動(dòng)從數(shù)據(jù)中提取特征,基于這些提取的好的特征,用簡(jiǎn)單的算法進(jìn)行判斷或分類,選取例如模版匹配這一類的傳統(tǒng)算法,進(jìn)行判斷或者處理。但是人工特征提取是個(gè)很耗時(shí)繁瑣的過(guò)程,往往需要大量反復(fù)的嘗試,且提取效果因人而異,且總結(jié)的規(guī)則和經(jīng)驗(yàn)也無(wú)法在不同任務(wù)之間復(fù)用,提取到的低緯度特征比較難區(qū)分不同的缺陷。而深度學(xué)習(xí)最大的特點(diǎn)便是利用深度神經(jīng)網(wǎng)絡(luò)從原始數(shù)據(jù)中自動(dòng)學(xué)習(xí)提取特征,這不但避免了人工特征提取的問(wèn)題,能學(xué)到更復(fù)雜抽象和更能泛化的特征,使得深度學(xué)習(xí)具有更好的通用性,同時(shí)特征的學(xué)習(xí)也會(huì)隨著數(shù)據(jù)增加而提升,這使得學(xué)習(xí)算法會(huì)隨著數(shù)據(jù)的質(zhì)量和數(shù)量持續(xù)迭代提升性能,在很多任務(wù)上能達(dá)到更好的精度。深度學(xué)習(xí)算法彌補(bǔ)了傳統(tǒng)算法無(wú)法檢測(cè)復(fù)雜特征的漏缺，免去了人工提取特征這一耗時(shí)耗力的步驟，更大程度為生產(chǎn)企業(yè)提升制造效率。

圖1：深度學(xué)習(xí)與傳統(tǒng)視覺(jué)算法對(duì)比示意圖

二、深度學(xué)習(xí)在AOI中的創(chuàng)新應(yīng)用

作為神經(jīng)網(wǎng)絡(luò)的高階發(fā)展產(chǎn)物，深度學(xué)習(xí)通過(guò)大腦仿生使得計(jì)算機(jī)從經(jīng)驗(yàn)中學(xué)習(xí)知識(shí)，根據(jù)層次化概念體系理解環(huán)境，進(jìn)而去人化地解決難以形式化描述的任務(wù)。基于深度學(xué)習(xí)的工業(yè)質(zhì)檢是一種快速、高效、準(zhǔn)確率高的缺陷自動(dòng)識(shí)別方法，借助特征可視化手段對(duì)深度學(xué)習(xí)模型提取到的特征進(jìn)行可視化分析來(lái)檢測(cè)產(chǎn)品瑕疵，進(jìn)而精準(zhǔn)打標(biāo)，提升分級(jí)模型訓(xùn)練的準(zhǔn)確度，實(shí)現(xiàn)產(chǎn)品缺陷的高效準(zhǔn)確分級(jí)，解決工業(yè)質(zhì)檢產(chǎn)品中外觀檢測(cè)的痛點(diǎn)和難點(diǎn)。

以SMT AOI中的金板編程階段為例,目前市面上所有的SMT AOI都需要人工進(jìn)行金板編程,而這一過(guò)程的核心就是基于規(guī)則和經(jīng)驗(yàn),讓編程人員來(lái)手動(dòng)提取金板圖片上元器件的各個(gè)特征,這些特征包括元器件的外框、焊錫區(qū)域、OCR文字區(qū)域,以及更詳細(xì)的用于判斷不同缺陷的子區(qū)域等等,除了區(qū)域選擇,編程人員還需要對(duì)這些區(qū)域設(shè)定例如顏色、位移等容忍范圍的閾值作為后續(xù)判定缺陷的規(guī)則。不同類型的元器件,這些特征區(qū)域和判定規(guī)則都不一樣,需要對(duì)每類器件重新編程。這導(dǎo)致整個(gè)編程過(guò)程非常繁瑣耗時(shí),一塊新金板的編程可能消耗幾十分鐘到幾個(gè)小時(shí)不等。而且由于后面用于判斷缺陷的算法,都依賴于人工編程提取的圖片特征,最終AOI的穩(wěn)定性/誤報(bào)率也很依賴于編程人員的經(jīng)驗(yàn)和判斷。現(xiàn)在市面上已經(jīng)有不少?gòu)S家嘗試在做到一鍵編程去進(jìn)行檢測(cè),但這些往往都是基于豐富的元器件庫(kù)的導(dǎo)入達(dá)到的加速,所以整個(gè)過(guò)程的本質(zhì)依舊是沒(méi)變。這種做法依舊高度依賴于人工提取圖片特征來(lái)進(jìn)行缺陷比對(duì),且在遇到新的未知元器件或者料號(hào)不準(zhǔn)確時(shí),元器件庫(kù)的作用便無(wú)法發(fā)揮,又得回歸到緩慢繁瑣的人工畫(huà)框調(diào)試，檢測(cè)設(shè)備對(duì)于元器件庫(kù)與人力的依賴依舊很高。

采用深度學(xué)習(xí)來(lái)自動(dòng)提取圖片特征后,在不需要元器件庫(kù)的情況下實(shí)現(xiàn)真正的一鍵編程。AOI中的深度學(xué)習(xí)算法在不需要任何額外訓(xùn)練的情況下,可以自動(dòng)準(zhǔn)確地檢測(cè)出客戶提供的不同金板上不同元器件以及其重要組成區(qū)域(封裝、焊盤(pán)、引腳、OCR和極性等),而且需要在后續(xù)判斷缺陷中也使用深度學(xué)習(xí)算法,這樣編程不需要像傳統(tǒng)AOI一樣人為確定顏色容忍度,進(jìn)步大大簡(jiǎn)化了編程流程,提高了編程的效率。所以只有真正基于深度學(xué)習(xí)的AOI,實(shí)現(xiàn)了真正意義上的自動(dòng)一鍵編程,將金板編程所需要的時(shí)間縮短到了幾十秒到幾分鐘。深度學(xué)習(xí)的AOI設(shè)備的金板基本不需要人工參與,因此對(duì)編程人員的培訓(xùn)也變得非常簡(jiǎn)單。此外,在編程階段深度學(xué)習(xí)算法的持續(xù)訓(xùn)練和提升,也能直接惠及到所有的客戶用戶的應(yīng)用上。識(shí)淵科技自研深度學(xué)習(xí)算法和工業(yè)大模型，依托深度學(xué)習(xí)高泛化性，實(shí)現(xiàn)一鍵編程，智能判斷。運(yùn)用深度學(xué)習(xí)高維特征更精準(zhǔn)分辨缺陷，降低誤檢。識(shí)淵科技AOI搭配的智能決策系統(tǒng)可將每個(gè)批次電路板的檢測(cè)前編程設(shè)定耗時(shí)由數(shù)個(gè)小時(shí)降低至1分鐘之內(nèi)，同時(shí)可在保證絕對(duì)0漏報(bào)的前提下，將現(xiàn)有設(shè)備10%的誤報(bào)率降低至1%以內(nèi)，解決了行業(yè)10余年以來(lái)固有的痛點(diǎn)需求。

圖2：傳統(tǒng)AOI與識(shí)淵科技基于深度學(xué)習(xí)的AOI編程過(guò)程示意圖

綜上，將深度學(xué)習(xí)技術(shù)應(yīng)用于工業(yè)質(zhì)檢環(huán)節(jié)是大勢(shì)所趨，不僅可大幅提升質(zhì)檢設(shè)備的檢測(cè)效率和性能指標(biāo)，而且打破了傳統(tǒng)質(zhì)檢中設(shè)備孤立、數(shù)據(jù)分散、流程繁瑣的局限，可以實(shí)現(xiàn)從原材料入庫(kù)到成品出庫(kù)的全過(guò)程智能化管理，這不僅能大幅提高生產(chǎn)效率和準(zhǔn)確性，幫助客戶實(shí)現(xiàn)降本增效的目的，更是帶動(dòng)制造行業(yè)向智能化轉(zhuǎn)變的重要引擎，成為引領(lǐng)工業(yè)質(zhì)檢新標(biāo)向。

免責(zé)聲明：市場(chǎng)有風(fēng)險(xiǎn)，選擇需謹(jǐn)慎！此文僅供參考，不作買(mǎi)賣(mài)依據(jù)。