當前製造業產品外表檢查主要有人工質檢和機器視覺質檢兩種方式，其中人工佔90%，機器只佔10%，而兩者都面臨許多挑戰。人工質檢成本高、誤操作多、生產資料無法有效留存，機器視覺質檢雖然不存在這些問題，但受傳統特徵工程技術限制，模型升級及本地化服務難度較大。

人工和AI，兩種方式達成的效果極其相似，但比較兩者的成本，卻相距甚遠。在引入AI質檢員之後，無論是時間還是人力成本都有著巨大的下降。AI質檢適用於眾多業務場景，包括但不限於LED晶片檢測，液晶螢幕檢測，光伏EL檢測，汽車零件檢測等。

聶磊，曾就職於三星電子中國研究院，從事相似影象檢索、商品檢索等大規模影象檢索工作。現就職於百度，主要負責推動工業、遙感、氣象等多個垂直領域計算機視覺商業化應用。

智慧檢測技術框架

• 模型：分類、檢測、分割、語義理解支援
• 資料：無監督學習、缺陷合成、資料閉環
• 場景：複雜缺陷檢測分類、物體計數、異常檢測
• 產出：線上產品質檢、工業大資料、缺陷溯源

部署方式

• 私有化部署：訓練一體機+工控機/嵌入式端/AI相機
• 公有云部署：公有云SaaS
• 端雲一體：雲模型訓練/更新+私有化端上部署

據聶磊介紹，工業領域資料來源有限，建立資料閉環不僅可以收集海量資料，還能啟動整個工業大資料鏈條。其中會涉及無監督學習、缺陷合成等技術，最終產出全自動系統完成產品質檢，並將質檢後的資料放入資料庫中組建閉環。

對於產線發生的缺陷場景，溯源完全缺陷並發現具體原因需要三套部署方式：私有化部署、公有云部署和端雲一體部署。工業上很多敏感資料無法全部提供，對此私有化部署相當於提供了訓練一體機，搭載質檢的整體軟體，從標註、訓練、預測整體的端到端解決方案。公有云提供SaaS服務，配合端雲一體部署在私有化端上的模型訓練和更新進行邊緣計算。資料閉環後把更新的模型推送到私有化端上完成更新，這就是智慧檢測的整體技術架構。

智慧檢測整體流程

整個資料閉環的流程，包括資料上傳、標註、訓練和預測模型。

使用者在上傳資料時遇到對資料或系統不太瞭解的情況可通過已有模型尋找任務，用提前訓練好的模型做預標註，通過人工驗證的方式實現智慧檢測。

如果有需要執行的任務和已有任務較為相似，智慧檢測系統可比對生成缺陷資料，通過公有云API方式部署進一步稽核，此外還可在現有端和裝置上通過SDK方式做資料拓展，實現大資料積累，不斷更新模型。

無監督缺陷檢測

缺陷檢測可有效提高檢測效率，保證檢測質量，無監督缺陷檢測的方法具有不需要標籤資料的特點，能夠快速應用於工業實踐中。

工業場景中無監督缺陷檢測的情況

• 缺乏足夠缺陷樣本
• 正常樣本可建模，採集難度低
• 只使用正常樣本或少量標註樣本訓練

基於GAN自編碼器的異常檢測

• Reconstruction網路：Denoising AutoEncoder
• Discrimination網路：二分類確定異常樣本
• Dversarial Loss：保證DAE生成樣本真實性

自編碼器的異常檢測是將一張正常圖片通過編碼器來生成對應的樣本，根據生成的樣本與原始圖樣比對來確認是否正常的檢測方法。引入了GAN後，自編碼器異常檢測得到了改進和優化，GAN中間的解碼*和判別器可直接確定樣本的情況，它的基本原理是用DAE（Denoising AutoEncoder）網路重建樣本，用判別器網路（Discrimination）來確定樣本正常或是異常，引入Dversarial Loss保證DAE樣本真實性。

嵌入式端質檢解決方案

硬體方案

• 基於X86的Intel整合解決方案（生態完整、平臺穩定、相容性強、成本低）
• AI相機/嵌入式盒子/智慧閘道器

軟體方案

• 移動端演算法優化
  • 檢測：Faster R-CNN -＞SSD，YOLO
  • 分類：VGG ResNet -＞ShuffleNet，Mobilenet v2
  • 語義分割：DeepLab v3+，PSPNet -＞SegNet，ICNet，ESPNet

• 移動端模型剪枝量化
  • 剪枝量化
  • 模型剪枝
  • 移動端量化

端雲一體私有化部署移動端的解決方案主要有智慧硬體和演算法優化加速，把重量級模型轉化成輕量級，最終變換成頂點化模型，並在移動端剪枝量化

關注安卓綠色聯盟公眾號，回覆關鍵字“17”，獲取更多內容