1. 程式人生 > >VIDI軟體在粗糙金屬表面缺陷檢測中的應用

VIDI軟體在粗糙金屬表面缺陷檢測中的應用



2017年1月12日在中國汽車協會舉辦的資訊釋出會上,中汽協祕書長助理代表協會對2017年中國汽車市場作出預測:“2017年我國的汽車產銷量預計為2940萬輛,增速預計保持在5%左右。”在當天釋出的產銷資料中,2016年汽車銷量達2803萬輛。

 中國汽車銷售市場連年火爆,自主品牌實力不斷增強,對汽車整車及零部件的質量檢測與管控都提出了極高的要求。只有不斷提高產品質量,才能保證在競爭激烈的市場中佔有一席之地。而在汽車行業檢測中,紋理金屬的表面缺陷檢測具有極其重要的地位,因為大到整車車身,小到軸承、螺紋孔位等,都遍佈著紋理金屬的影子。

粗糙金屬表面檢測的挑戰

圖1:汽車行業現場示意圖

 檢測汽車行業中的粗糙金屬零部件的質量,主要面臨著以下挑戰:

  • 由於粗糙的表面和明顯的紋理,在生產早期階段產生的撞擊、刮傷和汙漬很難被檢測出來。

  • 材料表面正常的形變和不顯著的異常應該處於容許範圍內,不應當被當成殘次品而報錯。 

  • 汙漬和傷痕在不同照明條件下所呈現的差異不同 。

 VIDI是第一款致力於工業影象分析、可以深度學習並可以做用前準備的軟體。VIDI套件是一款基於科學的機器學習演算法、可實地測驗的可靠軟體解決方案,被喻為機器視覺行業的阿爾法狗。它可以解決程式檢查及分類等不太可能完成的挑戰。這為機器視覺應用領域中的諸多挑戰提供了一個強大、靈活、明確的解決方案。VIDI套件主要包含VIDI blue、VIDI red和VIDI green三種不同的工具,各自的詳細功能及特性簡介如下:

功能定位 & 自動識別

 VIDI藍色工具,能在一張圖片中尋找和定位一個或多個特徵。它具有強大的改變自身特性的能力,能適應大多數嘈雜環境(OCR)或複雜的物件。這款藍色工具能通過學習帶有特徵註釋的圖片,來定位和識別複雜的特徵和目標。

 訓練使用VIDI藍色工具,您只需要提供標記了目標特性的圖片。

分割 & 缺陷檢測

 VIDI紅色工具,用來檢測異常現象以及一些審美上的缺陷。例如裝飾物表面的劃痕,不完整的衣片,甚至是在紡織物的織造問題上,這款紅色工具都能通過學習物件正常情況下的外觀,包括重要的、可允許的變化,來識別這些問題,甚至其他更多問題。 VIDI紅色工具也可以用來分割一些特定區域,例如有缺陷的部分或感興趣區域。 無論是醫療用織物還是飾帶的裁剪區上的特定異物,這款紅色工具都能通過學習目標區域的不同外表,輕易識別。

目標 & 事件分類

 VIDI綠色工具,用來分類一個物件或者一個完整的場景。無論是通過檢測包裝來完成對產品的識別、對焊接接縫的分類,還是對可接受的和不可接受的缺陷的分離,這款綠色工具都可以通過對標籤影象的採集,來學習如何將不同型別的影象分離開來。

 訓練使用這款綠色工具,您只需要提供按照不同種類進行分配、貼標的圖片。

2016年年底,阿爾法狗升級版Master橫掃60多位圍棋大師,創造了人工智慧的新神話,成為街頭巷尾熱議的話題。

 同年源自瑞士的人工智慧深度學習軟體VIDI,也針對機器視覺行業做了產品升級,釋出了VIDI 2.0的版本。VIDI和阿爾法狗一樣使用神經網路演算法,模組化地解決機器視覺的各種問題,真正讓人工智慧走入機器視覺領域。VIDI讓每一臺自動化裝置有了大腦,有了像人一樣的學習能力,可以在不斷工作中積累經驗,越幹經驗越豐富,結果越來越精準,實現真正意義上的機器替代人,必將掀起新一輪的產業變革。

 利用VIDI紅色模組工具的管理模式和VIDI綠色模組的自動化檢測與分類,將會使汽車行業的金屬零部件檢測變得非常簡單。

 首先需要收集大量的零部件檢測圖片做為學習樣本庫,其中包括正常品和殘次品,每種殘次品的檢測圖片至少包含一組以上。樣本庫中的樣本越多,學習效果越好,後續的檢測也會越準確。

 接下來VIDI Suite通過圖片樣本庫進行訓練學習,併產生檢測的參照模型,這個學習過程只需要不到30分鐘,具體學習取決於電腦的硬體配置。

 最後即可將VIDI用於實際的檢測中。

缺陷案例

圖2:缺陷檢測案例

 如圖2所示,軟體演算法通過一組有代表性的註釋影象,以及已知的好樣本進行自我訓練後,學習系統自動整合上下文資訊,形成一個可靠的形狀和紋理的模型,用於校對檢測。結果顯示,之前難以被識別的缺陷,都可以被準確地檢測到:撞擊和刮傷被視為異常,因為它們有一個紋理區域偏離了預期的設定值,即撞擊和刮傷面積超出了容忍偏差。

粗糙金屬板

表面缺陷檢查的關鍵挑戰之一, 即它們是動態的,這與零部件的加工工藝流程或成形過程有直接關係。當零部件經歷了全部的生產步驟,其中部分表面被噴塗油漆,導致拋光表面成為鏡面反射光。如圖3所示,此時撞擊、汙漬和劃痕這些缺陷才變得可見,並且令人不安。汽車生產廠商完全不能接受這種缺陷產品。

然而,這種只能在工藝末端才能檢測到的缺陷,成本非常高昂。利用VIDI紅色模組,粗糙材料上典型的缺陷,可以通過任何標準照明和矩陣相機獲得的影象檢測和分類。訓練階段完成後,在一個標準GPU上計算其能在幾毫秒內可靠地識別缺陷,從而實現線上實時檢測。

圖3:粗糙金屬板表面的撞擊、汙漬和劃痕檢測例項

結果 & 效能

  • 強大的檢測:VIDI可以在生產過程的早期階段,可靠地對複雜紋理的表面、鏡面反射和可容忍範圍內的異常影象缺陷進行檢測和分類。

  • 自學習:檢測過程無需大量仔細調整和優化的檢測演算法,而是依賴於一個類似人類的方法——學習和應用,並且具有改進的測試一致性和可重複性。

  • 快速&簡單:整個學習具有代表性的圖片樣本庫的過程非常高效,其學習時間小於30分鐘。

2017年1月12日在中國汽車協會舉辦的資訊釋出會上,中汽協祕書長助理代表協會對2017年中國汽車市場作出預測:“2017年我國的汽車產銷量預計為2940萬輛,增速預計保持在5%左右。”在當天釋出的產銷資料中,2016年汽車銷量達2803萬輛。

 中國汽車銷售市場連年火爆,自主品牌實力不斷增強,對汽車整車及零部件的質量檢測與管控都提出了極高的要求。只有不斷提高產品質量,才能保證在競爭激烈的市場中佔有一席之地。而在汽車行業檢測中,紋理金屬的表面缺陷檢測具有極其重要的地位,因為大到整車車身,小到軸承、螺紋孔位等,都遍佈著紋理金屬的影子。

粗糙金屬表面檢測的挑戰

圖1:汽車行業現場示意圖

 檢測汽車行業中的粗糙金屬零部件的質量,主要面臨著以下挑戰:

  • 由於粗糙的表面和明顯的紋理,在生產早期階段產生的撞擊、刮傷和汙漬很難被檢測出來。

  • 材料表面正常的形變和不顯著的異常應該處於容許範圍內,不應當被當成殘次品而報錯。 

  • 汙漬和傷痕在不同照明條件下所呈現的差異不同 。

 VIDI是第一款致力於工業影象分析、可以深度學習並可以做用前準備的軟體。VIDI套件是一款基於科學的機器學習演算法、可實地測驗的可靠軟體解決方案,被喻為機器視覺行業的阿爾法狗。它可以解決程式檢查及分類等不太可能完成的挑戰。這為機器視覺應用領域中的諸多挑戰提供了一個強大、靈活、明確的解決方案。VIDI套件主要包含VIDI blue、VIDI red和VIDI green三種不同的工具,各自的詳細功能及特性簡介如下:

功能定位 & 自動識別

 VIDI藍色工具,能在一張圖片中尋找和定位一個或多個特徵。它具有強大的改變自身特性的能力,能適應大多數嘈雜環境(OCR)或複雜的物件。這款藍色工具能通過學習帶有特徵註釋的圖片,來定位和識別複雜的特徵和目標。

 訓練使用VIDI藍色工具,您只需要提供標記了目標特性的圖片。

分割 & 缺陷檢測

 VIDI紅色工具,用來檢測異常現象以及一些審美上的缺陷。例如裝飾物表面的劃痕,不完整的衣片,甚至是在紡織物的織造問題上,這款紅色工具都能通過學習物件正常情況下的外觀,包括重要的、可允許的變化,來識別這些問題,甚至其他更多問題。 VIDI紅色工具也可以用來分割一些特定區域,例如有缺陷的部分或感興趣區域。 無論是醫療用織物還是飾帶的裁剪區上的特定異物,這款紅色工具都能通過學習目標區域的不同外表,輕易識別。

目標 & 事件分類

 VIDI綠色工具,用來分類一個物件或者一個完整的場景。無論是通過檢測包裝來完成對產品的識別、對焊接接縫的分類,還是對可接受的和不可接受的缺陷的分離,這款綠色工具都可以通過對標籤影象的採集,來學習如何將不同型別的影象分離開來。

 訓練使用這款綠色工具,您只需要提供按照不同種類進行分配、貼標的圖片。

2016年年底,阿爾法狗升級版Master橫掃60多位圍棋大師,創造了人工智慧的新神話,成為街頭巷尾熱議的話題。

 同年源自瑞士的人工智慧深度學習軟體VIDI,也針對機器視覺行業做了產品升級,釋出了VIDI 2.0的版本。VIDI和阿爾法狗一樣使用神經網路演算法,模組化地解決機器視覺的各種問題,真正讓人工智慧走入機器視覺領域。VIDI讓每一臺自動化裝置有了大腦,有了像人一樣的學習能力,可以在不斷工作中積累經驗,越幹經驗越豐富,結果越來越精準,實現真正意義上的機器替代人,必將掀起新一輪的產業變革。

 利用VIDI紅色模組工具的管理模式和VIDI綠色模組的自動化檢測與分類,將會使汽車行業的金屬零部件檢測變得非常簡單。

 首先需要收集大量的零部件檢測圖片做為學習樣本庫,其中包括正常品和殘次品,每種殘次品的檢測圖片至少包含一組以上。樣本庫中的樣本越多,學習效果越好,後續的檢測也會越準確。

 接下來VIDI Suite通過圖片樣本庫進行訓練學習,併產生檢測的參照模型,這個學習過程只需要不到30分鐘,具體學習取決於電腦的硬體配置。

 最後即可將VIDI用於實際的檢測中。

缺陷案例

圖2:缺陷檢測案例

 如圖2所示,軟體演算法通過一組有代表性的註釋影象,以及已知的好樣本進行自我訓練後,學習系統自動整合上下文資訊,形成一個可靠的形狀和紋理的模型,用於校對檢測。結果顯示,之前難以被識別的缺陷,都可以被準確地檢測到:撞擊和刮傷被視為異常,因為它們有一個紋理區域偏離了預期的設定值,即撞擊和刮傷面積超出了容忍偏差。

粗糙金屬板

表面缺陷檢查的關鍵挑戰之一, 即它們是動態的,這與零部件的加工工藝流程或成形過程有直接關係。當零部件經歷了全部的生產步驟,其中部分表面被噴塗油漆,導致拋光表面成為鏡面反射光。如圖3所示,此時撞擊、汙漬和劃痕這些缺陷才變得可見,並且令人不安。汽車生產廠商完全不能接受這種缺陷產品。

然而,這種只能在工藝末端才能檢測到的缺陷,成本非常高昂。利用VIDI紅色模組,粗糙材料上典型的缺陷,可以通過任何標準照明和矩陣相機獲得的影象檢測和分類。訓練階段完成後,在一個標準GPU上計算其能在幾毫秒內可靠地識別缺陷,從而實現線上實時檢測。

圖3:粗糙金屬板表面的撞擊、汙漬和劃痕檢測例項

結果 & 效能

  • 強大的檢測:VIDI可以在生產過程的早期階段,可靠地對複雜紋理的表面、鏡面反射和可容忍範圍內的異常影象缺陷進行檢測和分類。

  • 自學習:檢測過程無需大量仔細調整和優化的檢測演算法,而是依賴於一個類似人類的方法——學習和應用,並且具有改進的測試一致性和可重複性。

  • 快速&簡單:整個學習具有代表性的圖片樣本庫的過程非常高效,其學習時間小於30分鐘。

相關推薦

no