服務熱線
18018766735
基于深度學習的（AI-Intsoft）視覺檢測系統比傳統視覺有什么優勢？
答：攻克了傳統算法被復雜背景干擾的問題，以及無法對缺陷類型穩定分類等問題，因此在缺陷檢測領域中，深度學習具有更多的優勢。
外觀缺陷檢測是通過光學組件、圖像處理器、軟件算法等集成的圖像處理系統，其涵蓋光學原理、軟件技術、圖像處理技術等專業學科；實時檢測、識別被測物體常見表面的缺陷（劃傷、破損、刮痕、臟污、條紋、亮斑等），部分外觀檢測的圖像都存在比較復雜背景的干擾因素，對外觀缺陷識別判斷產生較大的影響，因此對檢測系統提出極高的能力要求，傳統的圖像處理技術已經無法滿足于當前的生產應用。
隨著AI人工智能技術的快速發展，人工智能也逐步開始在工業領域中應用，盈泰德科技將深度學習技術應用到各種工業領域的缺陷檢測設備，開發出以人工智能深度學習技術為主的Intsoft-AI視覺檢測系統V1.0版本。
該系統可用于缺陷識別、物體分類、定位等功能應用，其可用于3C產品及零部件、半導體、LED、醫藥、汽車等行業，其結合傳統算法實現對以下類型產品進行高精密外觀缺陷檢測：
深度學習不同于傳統工業機器視覺，不需要專業人員的定制開發算法，前期只需要一部分NG和OK樣本圖片，用于缺陷標注訓練即可完成模型的建立，后期遇到新增缺陷類型時，只需要完成新類型缺陷樣本訓練優化模型就能夠完成新缺陷檢測。
案例：外觀缺陷檢測案例分享
檢測產品：手機充電器PIN
檢測內容：檢測產品5個面共6種缺陷：劃傷、點傷（凹點）、缺口、臟污、亮印、模印。
檢測要求:
1、缺陷產品漏檢率0.3%以內，
2、產品過殺率5%以內；
3、臟污缺陷：對菲林卡，小于0.1mm2以內OK；
4、點傷、劃傷：0.02~0.08mm22個以上NG，0.08~0.1mm21個NG。
產品缺陷分析：
1、產品表面結構為粗糙面（類似磨砂質地），為電鍍成型后的階段，表面粗糙有很多凹坑影響成像質量；
2、劃傷缺陷為表面凹狀類缺陷，可能已傷及電鍍層，缺陷凹坑形狀較細并且都是比較深的，形狀不一，位置不同；
3、點傷類缺陷是表面凹狀類缺陷，面積較小，但分布比較多，深淺不一；
模印缺陷為產品制作是模具上造成的缺陷，在電鍍后檢測時，產品表面已經沒有太大差異，缺陷比較輕微的人眼也較難識別。
4、臟污亮印缺陷為產品表面，電鍍層上面存在的臟污和亮印，未傷及電鍍層。
檢測方案：
采用直線式設備，機械手上下料，5個工位檢測，治具可以旋轉，光源頻閃，分步拍照產品表面缺陷，深度學習算法處理圖像，全面實現外觀缺陷檢測，根據檢測結果自動擺滿托盤，自動疊盤收料。（如下圖）
3C行業常見檢測缺陷
圖2 檢測效果
圖3 缺陷類型
案例：Type-c外觀缺陷檢測案例分享
檢測產品：Type-c連接器
檢測內容：檢測產品鋁屑不良、缺pin、塑料屑異物、塑料損傷、舌片底部金屬絲、舌片端子漏B點等外觀缺陷；
檢測要求:
1、缺陷產品漏檢率0%，
2、產品過殺率5%以內；
檢測方案：
采用直線式自動設備，對接客戶自動化產線，共有4個檢測工位，產品通過直振上料，移載到檢測工位進行拍照檢測，利用深度學習算法跟傳統算法相結合的方式，對產品缺陷進行檢測識別，再根據檢測效果進行OK\NG分類。如下圖。
檢測效果1
檢測效果2
檢測效果3
檢測效果4
（AI-Intsoft）視覺檢測系統還可以做到更多，我們會一直保持 AI-Intsoft 的更新迭代。
在未來，我們希望 AI-Intsoft 會應用各種工業領域中，踏實幫助更多企業做好質量控制，在復雜的環境下，解決更多細微的檢測問題，讓更多產品實現零瑕疵。
