首页 Paddle框架 帖子详情
飞桨EasyDL实操范例:工业零件划痕自动识别
收藏
快速回复
Paddle框架 文章学习资料深度学习 639 2
飞桨EasyDL实操范例:工业零件划痕自动识别
收藏
快速回复
Paddle框架 文章学习资料深度学习 639 2

百度飞桨EasyDL面向企业开发者提供零门槛AI开发平台,一站式支持智能标注、模型训练、服务部署等功能,内置丰富的预训练模型,支持公有云/本地服务器/设备端等灵活部署,已在工业、零售、制造、医疗等领域落地。

工业零件划痕自动识别
通过训练物体检测定制化AI模型,实现对于“工业零件划痕”的智能识别,广泛应用于工业质检、智能制造等领域。

项目说明

业务背景
某工厂主要从事各类工件的生产加工,由于工厂生产环境复杂,工件生产过程中存在发生剐蹭、磕碰、制作疏漏的可能性,存在瑕疵的商品需按照残次品处理,不可进入市场销售。

业务难点
瑕疵质检精细度要求较高,缺陷通常细微难以发现,传统的人工质检方式效率低,长时间作业容易出现视觉疲劳发生错检、漏检的现象。质检效率低将直接影响工厂产能及交付效率。

解决思路
为提高产能及质检精确率,该工厂决定对质检产线进行智能化赋能,通过AI实现缺陷的自动化识别+人工复核的方式,提高出厂质检效率。了解到飞桨EasyDL提供了零门槛的AI开发功能,不需要了解算法基础即可快速完成模型训练,该工厂通过EasyDL平台提供的物体检测任务类型经过以下步骤的快速训练,获得了高精度的生产工件划痕质检AI模型并投入实际业务应用中,基于该智能质检方案,企业每年投入的质检人力降低60%,质检效率及准确率大幅提升。

提示:对于工件表面划痕识别场景,单张图片中可能出现多个划痕缺陷,需要识别出划痕个数,因此选用物体检测模型。

数据准备

数据采集与导入
工厂从原生产环境中选取了历史记录的缺陷数据约300张,准备训练数据时应注意与实际生产场景产生的数据尽可能保持一致,比如光线、亮度、拍摄角度等,在客观因素保持一致的情况下训练出来的模型在实际应用中才会有更高的适用性及效果。例如,实际质检产线所部署的摄像头对零部件的角度是俯拍,那么,您在收集数据时也需要收集同样角度的原始图片。 企业获取的原始数据如果无标注信息,可在平台中选择导入未标注信息后一键导入,例如,您可将原始图片打为一个压缩包,具体导入路径如下:

同时EasyDL还提供了其他多种数据导入方式,可根据您的使用习惯选择不同的导入方式,例如,您可以将图片先上传到网络地址(例如,百度网盘、百度BOS等),拷贝对应地址链接即可完成快速导入,适用于数据量级较大的情况,帮您缩短导入时间。

数据标注
原始图片需要经过标注,方可进行模型训练。数据标注过程应尽可能贴合划痕的缺陷特征,做到缺陷均包含在矩形框内且矩形框不过分大于缺陷大小,以下为正确标注示例及错误标注示例。




提示: 在您的标注工作量较大的情况下,您可以选择开启智能标注,即您只需要标注30%的图片,剩余70%的图片会为您自动打上标签。

模型训练

训练数据准备完成后,您可创建点击【创建模型】输入基础信息完成模型创建后,点击【训练模型】启动训练。 一个模型可以涵盖多个版本,一次训练产生一个版本,您可根据业务需求自定灵活进行版本管理。 考虑到工业质检场景通常较为注重预测效率,模型的预测效率将直接影响质检效率,因此建议您在部署方式时可以先选择EasyEdge本地部署-服务器-超高精度算法。该方案的优势是:本地部署方式可有效节省预测数据上传及预测结果下发所需的时间,大幅提高预测效率进而提高产能,超高精度算法可最大限度保证模型效果,如下图:


模型部署

本地部署方式需要本地算力来承载模型部署及预测过程,为确保模型预测性能,该工厂选择了算力较为充足的T4服务器来作为本地算力,因此需要将模型发布为适配该硬件的模型SDK。同时EasyDL平台仍支持多种其他硬件类型,可根据您实际业务需求选择对应的操作系统及芯片类型,如下图:

模型发布完成后,可在【纯离线服务】中找到已发布的模型SDK,下载并【获取序列号】激活即可部署在终端应用中。



企业将AI模型应用到实际场景中希望实现对于缺陷工件的自动分拣,在质检产线中由专业相机对每个工件进行拍摄,拍摄到的图片传输到预测服务器上缺陷进行质检,当检测到当前工件图片中有缺陷存在时,由机械臂抓取缺陷工件至特定区域统一存放等待人工复核。

效果优化

模型训练完成后,通过EasyDL自动产出的评估报告中可查看模型的整体效果,该工厂场景下由于缺陷特征比较一致且场景固定,整体效果较优。如效果欠佳可通过查看不同标签的错误示例定位在该标签下表现不好的原因。例如,通过查看错误示例发现,预测错误的图片通常都是灯光不足的时段拍摄的,对于优化建议上就需要补充灯光不足情况下的数据来 提升模型效果,如下图:



常见问题

问题1:EasyDL图像提供了多种训练任务,在该场景下为什么要选择物体检测任务类型?
目前EasyDL图像提供了图像分类、物体检测、图像分割三种任务类型:图像分类适用于图片中主体或者状态单一的场景;物体检测适用于多个主体且需要识别主体位置的场景;图像分割可定位到多个主体且需要定位到主体像素级的位置。针对划痕质检场景,单张图片中可能出现多个缺陷,缺陷无需定位到像素级的位置,因此选用物体检测较为合适。
问题2:对于工业质检场景数据该如何采集?
数据是AI模型训练的前提条件,在工业质检场景的训练数据通常来源与工业产线上的图像采集设备的历史存量数据,因此,如生产线上还未建设图像采集设备需优先建设图像采集设备,基于采集到的图片数据进行AI模型训练。
问题3:缺陷样本过少怎么解决? EasyDL平台提供数据增强策略,针对EasyDL平台提供数据不平衡策略,针对可将已有的缺陷图片通过数据增强策略进行数据扩充,进而最大限度提高有限数据的利用率,在您的模型训练页完成配置即可。

0
收藏
回复
全部评论(2)
时间顺序
李长安
#2 回复于2022-07

这个厉害

0
回复
M
Mead2014
#3 回复于2023-06

文章中的数据和案例非常丰富,能够让读者更加深入地理解问题。

0
回复
需求/bug反馈?一键提issue告诉我们
发现bug?如果您知道修复办法,欢迎提pr直接参与建设飞桨~
在@后输入用户全名并按空格结束,可艾特全站任一用户