先進制造業·導讀

 

工信部聯合國家發展改革委、教育部、科技部等部門發布了十四五智能制造發展規劃。規劃中提出：到2025年70%規模以上的制造業企業基本要實現數字化網絡化，建成500個以上引領行業發展的智能制造示范工廠。

                                                                       

制造業離不開質檢

質檢需要AI智能化賦能
 

制造業企業生產效率、良品率、能源利用率等要明顯提升。其中提到的生產效率和產品良品率是與工業質檢息息相關的，而AI質檢的加入也在這場智能制造發展趨勢下被寄予厚望。

 

 質檢對于制造企業來說是非常重要的一個環節，眼睛里能看見的產品都是通過了質量檢測。而每個產品的內部都包含了各種金屬零部件，這些金屬零部件也是需要質量檢測的。

 

當然，針對這些產品的質檢標準和方式在每個行業都不一樣。我們今天的分享將聚焦到質檢中的細分領域：金屬零部件的外觀質量視覺檢測。

 

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行視覺檢測。

 

 

那么傳統常規的質檢方式是怎樣的呢？

 

 

 

方法一：人工視覺檢測

依靠人工的方式存在幾個問題：

• 檢測標準不統一，每個人的檢測結果也會有差別，不可能復制；
• 勞動強度大，工人很容易產生視覺疲勞，從而導致誤檢/漏檢率上升。同時也可能會有工人操作安全隱患；
• 人工質檢的培訓成本很高，周期長，每一次的培訓結果也不可能復制。假如陸續要100個質檢崗位，就預示著需要培訓100次。

 

 

 

方法二：傳統機器視覺檢測

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雜的情況下，或者金屬反光零件表面檢測這類情況，傳統機器視覺檢測的漏檢率就不好控制了。而且傳統視覺檢測的整個部署周期比較長，成本也是很多工廠承擔不起的。

 

在走訪過的幾十家工廠車間后，能夠直觀地了解到，每一個工廠的構建是有差異的，而且質檢的內容和標準也是各不相同。如果針對每家產品成立算法團隊去進行模型訓練，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開發平臺進行AI模型搭建，工廠的普通技術工人就能勝任，面向零算法基礎人群、簡單易上手。接下來，我們從具體幾個金屬零部件視覺質檢案例，進一步了解AI質檢。

 飛槳EasyDL工業質檢

案例展示

 

金屬零部件具備一些特點，比如：反光、有電鍍層、正反面識別、復雜金相識別等。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導致有拉絲或疤痕的狀態。同時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，很難分辨出哪一個是合格或不合格。

 

螺紋口樣本

 

根據樣本特征進行采集，并使用飛槳EasyDL針對零件進行AI檢測模型創建，標注出哪些樣本為合格，哪些是不合格。

 

標注瑕疵

 

標注后在飛槳EasyDL平臺進行訓練并最終部署到邊緣計算模塊。如果出現蜂鳴和紅燈提示，說明這個零件是不合格的，如果綠燈亮起，說明這個零件是合格的。

 

檢驗效果

 

如何建立以飛槳EasyDL為核心的AI質檢系統，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的深度學習模型訓練，最后再到邊緣計算的部署。大家可以發現，AI質檢系統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

將部分模擬量轉換成可以量化的數字量。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飛槳EasyDL。初始數據采集的準確性直接影響到后面模型訓練的準確度。

 

 

在這里就要提到一個很重要的配件，即樣本采集用的鏡頭，它就相當于飛槳EasyDL在真實生產流水線上的智能眼睛。采用什么樣的鏡頭，也就意味著讓AI能看到什么樣的內容。這里有兩個關鍵點：如何操作鏡頭以及如何為樣本匹配一個合適的鏡頭。

 

 

先說操作鏡頭。針對AI質檢選取的都是工業專用的鏡頭，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技術，如：焦距、變焦、定焦、微距、快門、光圈、感光度、噪點等，都屬于攝影的基礎知識。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確且直觀的照片開始。

 

熟悉鏡頭操作后，就需要給實際樣本匹配鏡頭。從樣本大小、遠近、位置和運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角度都有側重，甚至要關注不同光線下的樣本選取。

 

 

 

第二步：樣本標注

在數據準備完成后導入飛槳EasyDL進行標注，在這里需要注意標簽和標注的重點。

 

標簽

標簽是圍繞著樣本要表達的信息和實際部署場景展開的。比如外殼的劃痕檢測，工廠要求一旦出現劃痕就視為不合格，或者是裝配位置有一個螺絲，也視為不合格。所以在建立標簽的時候，一定要按照實際的質檢需求和流程設定標簽。

 

標注

標注也是飛槳EasyDL中非常重要的環節，需要將圖像中涉及的瑕疵全部準確框定標注。利用平臺提供的自動標注、糾錯、評估報告等反復確認標注信息的準確無誤。

在這里提到評估報告中的maP值，有98%、99%這樣的數值體現，這是深度學習領域里面衡量模型效果的指標。98%并不是說有2%的錯誤率，需要結合評估報告了解詳情。

 

準確的標注對模型效果至關重要

 

 

 

第三步：模型部署

訓練好的AI模型需要部署到邊緣計算模塊或者叫邊緣計算相機。本次案例中使用到到的邊緣計算相機是集成度很高的產品“辨影”，部署簡單且接口豐富。在飛槳EasyDL中訓練好的模型通過多種方式可直接部署到辨影中，整個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行管理，比如：圖像的自動拍照、采樣以及各種調節等，且內置了蜂鳴器，可對效果驗證給到提示。在接口方面包含了現在大部分的常用輸入和輸出接口，支持多種觸發方式和信號輸出。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、網站、服務器和手機APP等。

 

邊緣計算模塊（辨影）工作流程圖

 

最終通過邊緣相機驗證模型檢驗效果。到這里就完成了用飛槳EasyDL進行AI質檢模型訓練過程。
 

哪些質檢項目

 

適合用AI來完成檢測呢？

 

那么，哪些質檢項目適合用AI來完成呢？

 

「如果能夠一眼看出來的區別和變化，就可以嘗試使用AI來完成」

 

這是一個簡單直接的判斷方式，當然，產業用戶更多分布在汽車、金屬加工、3C電子等領域，這類用戶對自動化及AI的理解更多面一些。

 

除此之外，手工生產產品的AI質檢領域也非常廣闊。雖然目前我國正在進行產業轉型，但仍然有大量工廠依賴人工生產及質檢。一個工人一天要手工挑選上萬件產品，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，這些都占據工人大量精力。應用AI減少重復性勞動、提升質檢效率，并且能夠高標準確保品控。

 

總結一下，飛槳EasyDL的部署在工業質檢上有如下三點優勢：

• 人員成本低
• 操作學習成本低
• 部署場景要求低

 

百度AI線上研討會來襲

 

AI技術的加持，正在加速車企的數字化轉型。數字化轉型是汽車零部件制造企業的“剛需”還是“可選項”？AI如何更好地與企業業務結合？企業如何通過模型算法生成高效可執行的生產效能？疫情之下，汽車零部件制造企業如何“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

相關熱詞搜索：