图片名称

质检大江湖,终是无监督

时间:

2022-05-20 00:00:00.000


      工业的江湖,总是风云莫测,波谲云诡。

近期,产品质量管理体系遇上了大难题:

作为产品正式投入市场应用前最后一道屏障的缺陷检测,

他罢工了!!

 

原因无他,全因缺陷产生太随机。

缺陷种类的多样性、缺陷形态的不确定性等问题

常常导致缺陷检出难度较大,

缺陷检测自认为应付吃力。

 

传统的机器视觉前辈大佬们针对这个问题,也没少出主意。

例如,给缺陷检测添加不同的图像算法,

但这随之而来的是缺陷检测的消化不良,

调参难度急剧上升

 

再例如,

请深度学习前辈前来帮衬指导。

然而在深度学习的有监督方案中,

往往需要大量的缺陷样本

才能达到产线的检出标准,

极大增加了前期图像采集难度及标注耗时

整个方案部署过程中,

模型迭代周期长,

容易拉长整个项目周期。

 

往白了说,

耗时耗力,不是一笔非常适合的买卖。

 

 

在众人焦头烂额之际,

江湖新星汇川视觉

将我仔细开发,举荐而出。

 

没错!

我,也是一种算法

但我是仅需无缺陷正样本训练的异常检测算法

我的名字,

无监督异常检测

 

不要998,不要么么哒,

仅需收集正常生产中产线上的正样本

可实现大部分异常缺陷的检出;

针对一些仅靠正样本无法检出的特殊或微弱缺陷,

我也可以提供有监督的加训方案,

且不影响原方案效率。

 

我领导的方案们,

可以适配产线上良率高的特点,

大大降低了产线上图片收集的难度;

 

对缺陷的依赖性很低,

一般生产过程中产品出现异常,

只要与实际训练正样本不一致,

均可实现检出;

 

我还内置有监督加训方案

可以在标注少量样本的情况下,

达到实际产线的检测精度要求。

 

我的突然出现,使得江湖掀起惊涛骇浪。

众人的抬爱与青睐,

也使得我近来一时风头无两。

 

在大家的强烈要求下,

我向大家隆重介绍一下我领导的整体方案流程:

 

整体方案流程

 


 

1) 产线完成训练正样本的收集,在凤麟深度学习平台上根据指引完成模型的训练。

2) 使用产线上的缺陷及正常样本验证模型精度,精度验证通过即可正常使用。

3) 若精度验证不通过,则增加相应误检图片或标注漏检图片进行补充训练,直至验证通过。

将我开发并举荐的汇川视觉,

针对公开缺陷检测数据集

及实际生产环境下的缺陷检测项目数据集

进行了方案效果验证,

均达到了不错的检测效果。

 

例如,

在产品放置较整齐、一致性较高的公开图集上,

仅靠正样本即可实现缺陷的100%检出

同时定位精度高达99.8%

 


 

我与江湖中诸位好友们的配合也极为默契,

这里以织物与泡罩机老兄的缺陷检测为例:

 

 

实际项目典型案例>>


01 织物表面缺陷检测

 

 

织物图集背景存在旋转情况,但也属于背景一致性较高的场景,且该图集下背景上存在的干扰较少,因此仅使用正样本就可实现明显缺陷99%以上的检出率误检率低于1%。对于扭曲等微弱缺陷,进行一定量的标注训练后,也可达到相同的效果。

 

 

01

 

02

02泡罩机缺陷检测

 


 

泡罩机图集的一致性相对不高,且背景上存在较多的非缺陷的异常,因此在仅正样本且正样本数量不足时,存在背景误检较高(10%)、微弱缺陷无法检测的问题(检出率90%)。在加大正样本数量,同时补充微弱缺陷标注样本加强训练之后,即可达到误检低于1%检出率达到99%以上的效果。

 

 

我的强大功能,

很好地应对了因工业制造领域的多样性、

生产环境的复杂性、产品缺陷的非标性等因素

给机器视觉在缺陷检测的实际应用带来的挑战,

极大缩减了模型迭代周期,

为项目的高效率交付保驾护航。

 

我与缺陷检测,

相辅相成,互相成就,

我希望有我的工业江湖,

从此不再孤独。

 

关键词: