AI公开课:汽车零部件瑕疵质检方案解析
狮子Emmanic 发布于2022-06 浏览:16115 回复:12
0
收藏
最后编辑于2022-12

工信部联合国家发展改革委、教育部、科技部等部门发布了十四五智能制造发展规划。规划中提出:到2025年70%规模以上的制造业企业基本要实现数字化网络化,建成500个以上引领行业发展的智能制造示范工厂。


制造业离不开质检

质检需要AI智能化赋能

制造业企业生产效率、良品率、能源利用率等要明显提升。其中提到的生产效率和产品良品率是与工业质检息息相关的,而AI质检的加入也在这场智能制造发展趋势下被寄予厚望。

 质检对于制造企业来说是非常重要的一个环节,眼睛里能看见的产品都是通过了质量检测。而每个产品的内部都包含了各种金属零部件,这些金属零部件也是需要质量检测的。

当然,针对这些产品的质检标准和方式在每个行业都不一样。我们今天的分享将聚焦到质检中的细分领域:金属零部件的外观质量视觉检测。

首先,大家可以看下图,来自部分用户寄来的金属零件样本:切割机压板、金属序列号。针对这些零件,工厂的诉求都是要对其外观瑕疵进行视觉检测。

那么传统常规的质检方式是怎样的呢?

方法一:人工视觉检测
依靠人工的方式存在几个问题:
1、检测标准不统一,每个人的检测结果也会有差别,不可能复制;
2、劳动强度大,工人很容易产生视觉疲劳,从而导致误检/漏检率上升。同时也可能会有工人操作安全隐患;
3、人工质检的培训成本很高,周期长,每一次的培训结果也不可能复制。假如陆续要100个质检岗位,就预示着需要培训100次。
 

方法二:传统机器视觉检测
这种方法只能解决一些特定的问题。如果是在特征装备场景比较复杂的情况下,或者金属反光零件表面检测这类情况,传统机器视觉检测的漏检率就不好控制了。而且传统视觉检测的整个部署周期比较长,成本也是很多工厂承担不起的。

在走访过的几十家工厂车间后,能够直观地了解到,每一个工厂的构建是有差异的,而且质检的内容和标准也是各不相同。如果针对每家产品成立算法团队去进行模型训练,算法工程师完全不够用,且人力成本也是一笔不小的投入。

但如果使用飞桨EasyDL零门槛AI开发平台进行AI模型搭建,工厂的普通技术工人就能胜任,面向零算法基础人群、简单易上手。接下来,我们从具体几个金属零部件视觉质检案例,进一步了解AI质检。

 

飞桨EasyDL工业质检案例展示

金属零部件具备一些特点,比如:反光、有电镀层、正反面识别、复杂金相识别等。但这些特性在飞桨EasyDL视觉检测中,恰恰不用担心。

以下图为例,这是一家检测螺纹口的公司提供的样本。可以看到螺纹口由于磨损或润滑不够导致有拉丝或疤痕的状态。同时由于螺纹口本身尺寸不大,与一毛钱硬币相比还要小几分,因此如果通过肉眼观察,很难分辨出哪一个是合格或不合格。

螺纹口样本

 

根据样本特征进行采集,并使用飞桨EasyDL针对零件进行AI检测模型创建,标注出哪些样本为合格,哪些是不合格。

标注瑕疵

 

标注后在飞桨EasyDL平台进行训练并最终部署到边缘计算模块。如果出现蜂鸣和红灯提示,说明这个零件是不合格的,如果绿灯亮起,说明这个零件是合格的。

检验效果

如何建立以飞桨EasyDL为核心的AI质检系统,仅需几步即可完成。首先是样本分析采集,其次是基于飞桨EasyDL的深度学习模型训练,最后再到边缘计算的部署。大家可以发现,AI质检系统中不仅需要核心算法,还需要很多的硬件支撑,彼此相辅相成。接下来详析带大家拆解步骤。

第一步:样本采集
将部分模拟量转换成可以量化的数字量。比如,这些金属零件上的划痕、瑕疵,或者是零件装配上的位置信息等,都需要将这些信息采集之后传达飞桨EasyDL。初始数据采集的准确性直接影响到后面模型训练的准确度。

在这里就要提到一个很重要的配件,即样本采集用的镜头,它就相当于飞桨EasyDL在真实生产流水线上的智能眼睛。采用什么样的镜头,也就意味着让AI能看到什么样的内容。这里有两个关键点:如何操作镜头以及如何为样本匹配一个合适的镜头。

先说操作镜头。针对AI质检选取的都是工业专用的镜头,其使用逻辑和原理与日常摄影镜头并无二致。因此我们需要了解一些摄影相关技术,如:焦距、变焦、定焦、微距、快门、光圈、感光度、噪点等,都属于摄影的基础知识。这些知识对样本采集起到很好的辅助作用,毫不夸张地说:成功的AI样本采集是从一张信息准确且直观的照片开始。

熟悉镜头操作后,就需要给实际样本匹配镜头。从样本大小、远近、位置和运动的模式等方面综合考虑。比如我们上面提到的螺纹瑕疵,可以选择微距,从而让瑕疵很快被镜头捕捉到。样本取样中需要争取每个角度都有侧重,甚至要关注不同光线下的样本选取。

 

第二步:样本标注
在数据准备完成后导入飞桨EasyDL进行标注,在这里需要注意标签和标注的重点。

标签

标签是围绕着样本要表达的信息和实际部署场景展开的。比如外壳的划痕检测,工厂要求一旦出现划痕就视为不合格,或者是装配位置有一个螺丝,也视为不合格。所以在建立标签的时候,一定要按照实际的质检需求和流程设定标签。


标注

标注也是飞桨EasyDL中非常重要的环节,需要将图像中涉及的瑕疵全部准确框定标注。利用平台提供的自动标注、纠错、评估报告等反复确认标注信息的准确无误。
在这里提到评估报告中的maP值,有98%、99%这样的数值体现,这是深度学习领域里面衡量模型效果的指标。98%并不是说有2%的错误率,需要结合评估报告了解详情。

准确的标注对模型效果至关重要

 

第三步:模型部署
训练好的AI模型需要部署到边缘计算模块或者叫边缘计算相机。本次案例中使用到到的边缘计算相机是集成度很高的产品“辨影”,部署简单且接口丰富。在飞桨EasyDL中训练好的模型通过多种方式可直接部署到辨影中,整个部署过程中不需要再编写任何代码。

辨影本身自带高灵敏度的液晶触摸屏,在不用外接显示器的情况下就可以对模型进行管理,比如:图像的自动拍照、采样以及各种调节等,且内置了蜂鸣器,可对效果验证给到提示。在接口方面包含了现在大部分的常用输入和输出接口,支持多种触发方式和信号输出。也可以外接摄像头或各种视频信号,也可以连接到PLC、单片机、网站、服务器和手机APP等。

最终通过边缘相机验证模型检验效果。到这里就完成了用飞桨EasyDL进行AI质检模型训练过程。

 

哪些质检项目适合用AI来完成检测呢?

那么,哪些质检项目适合用AI来完成呢?

「如果能够一眼看出来的区别和变化,就可以尝试使用AI来完成」

这是一个简单直接的判断方式,当然,产业用户更多分布在汽车、金属加工、3C电子等领域,这类用户对自动化及AI的理解更多面一些。

除此之外,手工生产产品的AI质检领域也非常广阔。虽然目前我国正在进行产业转型,但仍然有大量工厂依赖人工生产及质检。一个工人一天要手工挑选上万件产品,比如一根USB线,注塑完后有没有问题,压铸有没有问题,都是在靠人工检查。又或者是拉锁的识别,需要检查拉锁是否有缺齿,这些都占据工人大量精力。应用AI减少重复性劳动、提升质检效率,并且能够高标准确保品控。

总结一下,飞桨EasyDL的部署在工业质检上有如下三点优势:

  • 人员成本低
  • 操作学习成本低
  • 部署场景要求低

说了这么多,大家可以在官网自行体验一款AI模型的创建过程,从而才能发现AI与产业结合中的问题,并分析解决。

 

循序渐进

AI产业应用方案解析公开课

看完上述金属零部件质检案例,你是否也对产业应用有了更为具象的理解。


本期飞桨 EasyDL-汽车零部件瑕疵案例课程(6月23日20:00),特邀资深产业专家,深度剖析 AI 质检在汽车零部件质检环节中的实现路径和技术难点。让 AI 质检,一步到位。

扫码报名加入技术交流群,限时免费通道开启!

收藏
点赞
0
个赞
共12条回复 最后由nootbook时代回复于2022-12
#22nootbook时代回复于2022-12

收藏

0
#19用户已被禁言回复于2022-12

11111

0
#18用户已被禁言回复于2022-12

111

0
#17chiza7回复于2022-11
#16 chiza7回复
1111

1

0
#16chiza7回复于2022-11

1111

0
#15世杰文件5822始回复于2022-11

如何参加?

0
#14myjfs08回复于2022-07

这是什么

0
#12头头不可一世回复于2022-07

汽车零部件关乎驾驶安全,所以不可大意啊。

0
#11451964719回复于2022-06

看起来不错啊

0
#10用户已被禁言回复于2022-06

11

 

0
#6用户已被禁言回复于2022-06

 

1
#5用户已被禁言回复于2022-06

awdawdad

 

1
TOP
切换版块