在工業(yè)生產(chǎn)中，缺陷和異常的檢測對于保障質(zhì)量標準至關(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)量標準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。一旦機器檢測到異常或缺陷，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)其進行評估，如果不匹配，則立即標記缺陷。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)進行訓(xùn)練，根據(jù)缺陷的嚴重程度、類型或狀態(tài)對其進行分類。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)量標準和培訓(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)可以檢測細胞的微小形態(tài)變化，保護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）在識別細胞系方面可以達到接近100%的準確率。

對于生物技術(shù)公司來說，檢測檢查用于監(jiān)測細胞培養(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?！渲邪ㄔS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行手動測試。這一過程既不高效也不準確，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)品遠遠不劃算。

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)量標準的化學(xué)產(chǎn)品圖像進行訓(xùn)練，并相應(yīng)地對裝配線上的產(chǎn)品進行分類。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——因為標準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（以上述細胞系檢查為例，BCNN已被證明能提供最準確的結(jié)果）。使用自己的模型，他們還可以提取感興趣的區(qū)域以提高準確性，而標準系統(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準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)測性維護防止停機

減少勞動力需求

卸下質(zhì)檢員的重擔(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？