在工業(yè)生產(chǎn)中，缺陷和異常的檢測對于保障質(zhì)量標(biāo)準(zhǔn)至關(guān)重要。在許多情況下，人工質(zhì)檢習(xí)慣于在產(chǎn)品下線時對其進(jìn)行檢查。然而，隨著機器學(xué)習(xí)和人工智能的出現(xiàn)，現(xiàn)在可以使用自定義模型來檢測產(chǎn)品中的缺陷和異常。在這篇文章中，我們將探討機器學(xué)習(xí)在視覺檢測中的應(yīng)用，并討論它為制造商提供的一些好處。我們將研究不同行業(yè)的實際應(yīng)用，并了解為什么基于人工智能的視覺異常檢測在現(xiàn)代制造設(shè)備中越來越受歡迎。

生產(chǎn)線的傳統(tǒng)檢驗

自工業(yè)時代開始以來，制造商一直在使用不同的技術(shù)來監(jiān)控裝配線上的工藝和產(chǎn)品質(zhì)量。早期的產(chǎn)品質(zhì)量檢測主要靠人工來完成。但隨著制造業(yè)規(guī)?；凸I(yè)自動化的發(fā)展，在生產(chǎn)線上監(jiān)控質(zhì)量和檢測問題自然變得越來越困難。質(zhì)檢員很難處理大批量數(shù)量的產(chǎn)品，個人主觀性容易影響檢測結(jié)果。再加上任務(wù)的單調(diào)性、重復(fù)性，會導(dǎo)致疲勞，更是增加出錯的可能。

異常檢測自動化簡介

自動化對制造商來說是一個突破，他們能夠在不影響質(zhì)量標(biāo)準(zhǔn)的情況下大幅增加產(chǎn)量。目前的科技水平已經(jīng)能夠在大部分生產(chǎn)流程中實現(xiàn)自動化，包括最容易出錯的任務(wù)，如缺陷和異常檢測?？萍奸_發(fā)人員正常改變傳統(tǒng)規(guī)則，用靈活的、自學(xué)習(xí)的和自我改進(jìn)的方法取代程序化的、適應(yīng)性差的方法。

計算機視覺和機器學(xué)習(xí)輔助異常檢測

傳統(tǒng)的視覺檢測有許多局限性—最大的局限性是反應(yīng)相對緩慢。一旦機器檢測到異?；蛉毕?，它可以觸發(fā)自動反饋，而在沒有人工智能的情況下，這些操作必須手動執(zhí)行。在生產(chǎn)制造過程，每一秒都很重要，這會適得其反。比如在制藥行業(yè)，一個相對較小的問題可能會影響整個批次，造成巨大損失。

另外質(zhì)量保證的一致性。有了自動化工具，所有關(guān)于缺陷和異常的數(shù)據(jù)都會留在系統(tǒng)中。機器可以從中得出結(jié)論，不斷提高其檢測能力。而在傳統(tǒng)的缺陷和異常檢測方法中，質(zhì)量檢測的有效性可能會隨著任何人員變動而大幅下降而增加成本。

基于人工智能的計算機視覺可以解決這些問題，提高了質(zhì)量控制和質(zhì)量保證。

基于人工智能的計算機視覺能否檢測缺陷并識別異常？

人工智能模仿人類行為——作為其分支，計算機視覺再現(xiàn)了人類解讀圖像的能力。該技術(shù)借鑒了人類視覺系統(tǒng)的復(fù)雜性，模仿其處理視覺信息的方式。雖然拍攝圖像的謎團在數(shù)百年前就被解開了（并隨著相機的發(fā)明而被封存），但圖像解釋它一直是一個困難的部分。有了人工智能，這一切成為可能。

人類視覺過程

在計算機視覺的情況下，眼睛被傳感設(shè)備和視覺皮層所取代——由機器學(xué)習(xí)算法驅(qū)動的解釋設(shè)備。通過使用大型圖像數(shù)據(jù)集進(jìn)行訓(xùn)練，深度學(xué)習(xí)模型可以解釋給定圖像的內(nèi)容。該機制用于制造缺陷和異常檢測。

基于人工智能的計算機視覺，可用于異常和缺陷檢測

以滿足所有質(zhì)量要求的完美產(chǎn)品的圖像樣本為樣本，深度學(xué)習(xí)模型形成了自己的邏輯，學(xué)習(xí)識別不同類型的缺陷。設(shè)備捕獲的圖像將根據(jù)其進(jìn)行評估，如果不匹配，則立即標(biāo)記缺陷。開發(fā)人員可以利用不同的方法，創(chuàng)建生成性異常檢測算法，如貝葉斯網(wǎng)絡(luò)、遞歸神經(jīng)網(wǎng)絡(luò)（RNN）、卷積神經(jīng)網(wǎng)絡(luò)（CNN）、GAN或變分自動編碼器。

在最常見的情況下，算法將產(chǎn)品分類為有缺陷或無缺陷。模型還可以通過監(jiān)督學(xué)習(xí)進(jìn)行訓(xùn)練，根據(jù)缺陷的嚴(yán)重程度、類型或狀態(tài)對其進(jìn)行分類。這使我們能夠創(chuàng)建更復(fù)雜的自動觸發(fā)反應(yīng)機制，并收集詳細(xì)數(shù)據(jù)。

將機器學(xué)習(xí)應(yīng)用于質(zhì)量檢測——行業(yè)用例

競爭日益激烈的創(chuàng)業(yè)環(huán)境使制造商不斷提高產(chǎn)品質(zhì)量，基于人工智能的自動化工具可以在這一過程中提供寶貴的支持。有了計算機視覺，他們可以更有效地評估產(chǎn)品質(zhì)量，而無需雇傭額外的人工。

下面的應(yīng)用案例證明了這項技術(shù)的多功能性。讓我們更仔細(xì)地看看跨行業(yè)的缺陷和異常檢測應(yīng)用案例。

制藥和生命科學(xué)中的視覺檢測

細(xì)胞系的交叉污染是制藥和科學(xué)實驗室每天面臨的最常見風(fēng)險之一。有時，只要一滴管被意外重復(fù)使用，污染就會發(fā)生。它們可能會對實驗室研究產(chǎn)生負(fù)面影響，甚至使藥品無法使用，這些結(jié)果可能高昂代價。

保持質(zhì)量標(biāo)準(zhǔn)和培訓(xùn)，制藥公司可以降低交叉污染的可能性，但它仍然可以發(fā)生——圖像處理和深度學(xué)習(xí)可以幫助在早期識別交叉污染。深層神經(jīng)網(wǎng)絡(luò)可以檢測細(xì)胞的微小形態(tài)變化，保護(hù)制藥公司和實驗室的結(jié)果不被摻假。例如，來自ATM（翻譯醫(yī)學(xué)年鑒）的案例研究證明，神經(jīng)網(wǎng)絡(luò)（特別是BCNN）在識別細(xì)胞系方面可以達(dá)到接近100%的準(zhǔn)確率。

對于生物技術(shù)公司來說，檢測檢查用于監(jiān)測細(xì)胞培養(yǎng)、識別交叉污染和跟蹤形態(tài)學(xué)變化。深度學(xué)習(xí)模型可以在人眼（通過顯微鏡）尚不可見的階段檢測到這些變化，從而有可能及時采取預(yù)防措施，避免代價高昂的失敗風(fēng)險。專門的ML軟件分析細(xì)胞圖像，并提供具有有價值的報告，以幫助客戶提高研究效率。

視覺檢查也有助于制藥公司控制包裝。制藥公司必須遵守有關(guān)其藥品容器的嚴(yán)格規(guī)范和規(guī)定。大多數(shù)產(chǎn)品要求密封，并使用特定材料。同時，包裝上的任何缺陷都會影響藥物的效率和保質(zhì)期。有了計算機視覺，這樣的問題可以在早期發(fā)現(xiàn)。

半導(dǎo)體制造過程中的缺陷檢測

視覺檢測可以幫助各個行業(yè)的公司關(guān)注產(chǎn)品本身的質(zhì)量，同時也關(guān)注產(chǎn)品的狀態(tài)。它們可以使用圖像處理來監(jiān)控半導(dǎo)體制造過程，例如清潔、薄膜沉積、蝕刻、曝光、注入、抗蝕劑涂層、雜質(zhì)注入或熱處理。該模型可以檢測晶圓層面的異常情況，并將諸如預(yù)放置檢查等過程自動化。

規(guī)則是一樣的——基于深度學(xué)習(xí)算法的視覺檢測系統(tǒng)在每個半導(dǎo)體工藝完成后，都會通過優(yōu)質(zhì)產(chǎn)品的圖像進(jìn)行訓(xùn)練，并學(xué)會識別缺陷。在這種情況下，由于缺陷可能很難檢測到，良好的圖像處理設(shè)備是至關(guān)重要。

半導(dǎo)體和芯片制造中的缺陷檢測結(jié)果

電子產(chǎn)品制造商的質(zhì)量保證

在電子制造業(yè)中，視覺檢查的能力尤其令人令人驚嘆。訓(xùn)練有素的模型甚至可以檢測到肉眼幾乎看不見的微小缺陷。使用深度學(xué)習(xí)技術(shù)來發(fā)現(xiàn)微芯片、變壓器、顯示器、CPU和其他制造部件中的潛在異常——其中包括許多非常小的部件。

為了保持成像的非破壞性，電子制造商傾向于從CT掃描中提取有關(guān)缺陷的信息。使用X射線斷層掃描，他們可以生成制造元件的射線投影。生成的圖像隨后由算法轉(zhuǎn)換為其三維表示。

由于元素的復(fù)雜性，制造商有必要將分析范圍縮小到易受缺陷或損壞的零件。否則，為缺陷/異常檢測對深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行適當(dāng)培訓(xùn)將是一項挑戰(zhàn)。

化學(xué)品生產(chǎn)中的視覺檢測

盡管乍一看，視覺檢查方法似乎不是最適合評估化學(xué)品制造質(zhì)量的方法，但事實證明它們是有效的。在典型的化工生產(chǎn)中，樣品會被送到實驗室進(jìn)行手動測試。這一過程既不高效也不準(zhǔn)確，因為少數(shù)樣品可能無法代表整個批次的質(zhì)量。與此同時，在化工生產(chǎn)線上測試每一種產(chǎn)品遠(yuǎn)遠(yuǎn)不劃算。

制造商可以使用計算機視覺以更快、更便捷的方式評估其質(zhì)量。視覺質(zhì)量檢查的機制類似于固體物體的情況——模型使用符合質(zhì)量標(biāo)準(zhǔn)的化學(xué)產(chǎn)品圖像進(jìn)行訓(xùn)練，并相應(yīng)地對裝配線上的產(chǎn)品進(jìn)行分類。計算機視覺可以根據(jù)物質(zhì)的顏色、分層或物理狀態(tài)檢測異常。如果產(chǎn)品已被氧化，則可以自動將其從生產(chǎn)線中分離出來，或?qū)⑵鋸纳a(chǎn)線中重新定向。

雖然，這種方法有一些局限性，因為化學(xué)物質(zhì)中的一些缺陷是無法檢測到的。然而，視覺檢查可以為化學(xué)品制造商采用的質(zhì)量保證體系增添可參考價值。

視覺檢測系統(tǒng)與定制機器學(xué)習(xí)模型

雖然市場上有很多視覺檢測系統(tǒng)，但許多公司仍然決定堅持使用定制的機器學(xué)習(xí)模型。原因很簡單——因為標(biāo)準(zhǔn)視覺解決方案為了適應(yīng)不同行業(yè)的需求，會導(dǎo)致一些行業(yè)差異大的產(chǎn)品檢測弊端。

即使它們在一定程度上是靈活的，也不能保證不同行業(yè)的個性化檢測需求。例如，用戶可能無法使用自己的訓(xùn)練數(shù)據(jù)集訓(xùn)練系統(tǒng)，被迫使用內(nèi)置數(shù)據(jù)庫。如果他們的產(chǎn)品及其功能是獨特的，那么這樣的解決方案可能不足以在執(zhí)行嚴(yán)格的異常檢測需求。

選擇開發(fā)定制的機器學(xué)習(xí)模型，公司可以根據(jù)任務(wù)的具體情況調(diào)整其類型（以上述細(xì)胞系檢查為例，BCNN已被證明能提供最準(zhǔn)確的結(jié)果）。使用自己的模型，他們還可以提取感興趣的區(qū)域以提高準(zhǔn)確性，而標(biāo)準(zhǔn)系統(tǒng)通常不提供這種可能性。因此，那些選擇定制異常檢測模型而不是標(biāo)準(zhǔn)解決方案的通常會獲得更令人滿意的結(jié)果。

基于人工智能的視覺異常檢測在制造業(yè)中的優(yōu)勢

人工智能正在以多種方式徹底改變制造業(yè)，帶來諸多好處。通過基于人工智能的視覺檢測，制造商可以通過以下方式降低運營成本：

通過預(yù)測性維護(hù)防止停機

減少勞動力需求

卸下質(zhì)檢員的重?fù)?dān)，把他們委派給要求更高的任務(wù)

減少退貨和投訴的數(shù)量

同時，他們可以提高客戶滿意度，提高公司的聲譽。交付市場的缺陷產(chǎn)品越少，滿意度就越高。

高效制造和高級深度學(xué)習(xí)異常檢測模型的未來

在質(zhì)量保證中，基于深度學(xué)習(xí)的異常檢測方法的廣泛采用是不可避免的。市場上日益激烈的競爭，以及滿足消費者期望的需求，將迫使制造商尋找優(yōu)化生產(chǎn)線的新方法。將機器學(xué)習(xí)算法應(yīng)用于視覺檢測任務(wù)就是其中之一，這一舉措可以為大公司節(jié)省數(shù)大量成本，并提高生產(chǎn)過程的效率。

異常檢測無疑將塑造許多行業(yè)的未來，使我們的生活更輕松、更健康。畢竟誰不想收到一個經(jīng)過全面質(zhì)量檢查的產(chǎn)品呢？