深度学习革新AOI,引领工业质检新标向

来源: 浏览

小编: 面对全球产业链、供应链重塑的挑战,企业数字化、智能化发展成为制造业乃至全社会的重点研究课题,智能制造成为国家实施制造强国的新战略正是应对这一挑战的破题举措。作

     面对全球产业链、供应链重塑的挑战,企业数字化、智能化发展成为制造业乃至全社会的重点研究课题,智能制造成为国家实施制造强国的新战略正是应对这一挑战的破题举措。作为智能制造的重要一环,智能检测技术在各行各业有着广泛而又重要的应用,发展智能检测装备是补齐短板弱项、建设制造强国的迫切需要。深度学习作为人工智能领域的重要分支,近年来在智能检测装备中得到了广泛的应用和深入的研究,深度学习的应用正在逐步改变传统的检测模式,使得设备的检测精度、效率和智能化程度得到显著提升,正逐渐成为推动工业质检转型升级的关键力量。

 

一、深度学习技术优势对比

    深度学习是机器学习研究中的一个新的领域,其动机在于建立、模拟人脑进行分析学习的神经网络,它模仿人脑的机制来解释数据,例如图像,声音和文本等。深度学习和传统的机器视觉算法最大的不同就在于特征提取。传统的视觉学习算法,需要依赖人类的专家手动从数据中提取特征,基于这些提取的好的特征,用简单的算法进行判断或分类,选取例如模版匹配这一类的传统算法,进行判断或者处理。但是人工特征提取是个很耗时繁琐的过程,往往需要大量反复的尝试,且提取效果因人而异,且总结的规则和经验也无法在不同任务之间复用,提取到的低纬度特征比较难区分不同的缺陷。而深度学习最大的特点便是利用深度神经网络从原始数据中自动学习提取特征,这不但避免了人工特征提取的问题,能学到更复杂抽象和更能泛化的特征,使得深度学习具有更好的通用性,同时特征的学习也会随着数据增加而提升,这使得学习算法会随着数据的质量和数量持续迭代提升性能,在很多任务上能达到更好的精度。深度学习算法弥补了传统算法无法检测复杂特征的漏缺,免去了人工提取特征这一耗时耗力的步骤,更大程度为生产企业提升制造效率。

图1:深度学习与传统视觉算法对比示意图

 

二、深度学习在AOI中的创新应用

    作为神经网络的高阶发展产物,深度学习通过大脑仿生使得计算机从经验中学习知识,根据层次化概念体系理解环境,进而去人化地解决难以形式化描述的任务。基于深度学习的工业质检是一种快速、高效、准确率高的缺陷自动识别方法,借助特征可视化手段对深度学习模型提取到的特征进行可视化分析来检测产品瑕疵,进而精准打标,提升分级模型训练的准确度,实现产品缺陷的高效准确分级,解决工业质检产品中外观检测的痛点和难点。

    以SMT AOI中的金板编程阶段为例,目前市面上所有的SMT AOI都需要人工进行金板编程,而这一过程的核心就是基于规则和经验,让编程人员来手动提取金板图片上元器件的各个特征,这些特征包括元器件的外框、焊锡区域、OCR文字区域,以及更详细的用于判断不同缺陷的子区域等等,除了区域选择,编程人员还需要对这些区域设定例如颜色、位移等容忍范围的阈值作为后续判定缺陷的规则。不同类型的元器件,这些特征区域和判定规则都不一样,需要对每类器件重新编程。这导致整个编程过程非常繁琐耗时,一块新金板的编程可能消耗几十分钟到几个小时不等。而且由于后面用于判断缺陷的算法,都依赖于人工编程提取的图片特征,最终AOI的稳定性/误报率也很依赖于编程人员的经验和判断。现在市面上已经有不少厂家尝试在做到一键编程去进行检测,但这些往往都是基于丰富的元器件库的导入达到的加速,所以整个过程的本质依旧是没变。这种做法依旧高度依赖于人工提取图片特征来进行缺陷比对,且在遇到新的未知元器件或者料号不准确时,元器件库的作用便无法发挥,又得回归到缓慢繁琐的人工画框调试,检测设备对于元器件库与人力的依赖依旧很高。

    采用深度学习来自动提取图片特征后,在不需要元器件库的情况下实现真正的一键编程。AOI中的深度学习算法在不需要任何额外训练的情况下,可以自动准确地检测出客户提供的不同金板上不同元器件以及其重要组成区域(封装、焊盘、引脚、OCR和极性等),而且需要在后续判断缺陷中也使用深度学习算法,这样编程不需要像传统AOI一样人为确定颜色容忍度,进步大大简化了编程流程,提高了编程的效率。所以只有真正基于深度学习的AOI,实现了真正意义上的自动一键编程,将金板编程所需要的时间缩短到了几十秒到几分钟。深度学习的AOI设备的金板基本不需要人工参与,因此对编程人员的培训也变得非常简单。此外,在编程阶段深度学习算法的持续训练和提升,也能直接惠及到所有的客户用户的应用上。识渊科技自研深度学习算法和工业大模型,依托深度学习高泛化性,实现一键编程,智能判断。运用深度学习高维特征更精准分辨缺陷,降低误检。识渊科技AOI搭配的智能决策系统可将每个批次电路板的检测前编程设定耗时由数个小时降低至1分钟之内,同时可在保证绝对0漏报的前提下,将现有设备10%的误报率降低至1%以内,解决了行业10余年以来固有的痛点需求。

图2:传统AOI与识渊科技基于深度学习的AOI编程过程示意图

    综上,将深度学习技术应用于工业质检环节是大势所趋,不仅可大幅提升质检设备的检测效率和性能指标,而且打破了传统质检中设备孤立、数据分散、流程繁琐的局限,可以实现从原材料入库到成品出库的全过程智能化管理,这不仅能大幅提高生产效率和准确性,帮助客户实现降本增效的目的,更是带动制造行业向智能化转变的重要引擎,成为引领工业质检新标向。

当前网址:http://www.hbxwzx.com/shehui/2024-06-24/211123.html

免责声明:本文仅代表作者个人观点,与北方资讯网无关。其原创性以及文中陈述文字和内容未经本站证实,对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性本站不作任何保证或承诺,请读者仅作参考,并请自行核实相关内容。

你可能喜欢的: