深度學習與傳統算法的對比

案例一：金屬件外觀缺陷檢測案例分享

  檢測產品:  

手機充電器PIN

  檢測內容:  

檢測產品5個麵共6種缺陷：劃傷、點傷（凹點）、缺口、髒汙、亮印、模印

  檢測要求:  

1.缺陷產品漏檢率0.3 %以內，

2.產品過殺率5%以內；

3.髒汙缺陷：對菲林卡，小於0.1mm²以內OK；

4.點傷、劃傷：0.02~0.08 mm²2個以上NG，0.08~0.1 mm²1個NG。

  產品缺陷分析:  

1.產品表麵結構為粗糙麵（類似磨砂質地），為電鍍成型後的階段，表麵粗糙有很多凹坑影響成像質量

2.劃傷缺陷為表麵凹狀類缺陷，可能已傷及電鍍層，缺陷凹坑形狀較細並且都是比較深的，形狀不一，位置不同

3.點傷類缺陷是表麵凹狀類缺陷，麵積較小，但分布比較多，深淺不一

4.模印缺陷為產品製作是模具上造成的缺陷，在電鍍後檢測時，產品表麵已經沒有太大差異，缺陷比較輕微的人眼也較難識別。

5.髒汙亮印缺陷為產品表麵，電鍍層上麵存在的髒汙和亮印，未傷及電鍍層

  檢測方案:  

采用直線式設備,機械手上下料,5個工位檢測，治具可以旋轉,光源頻閃，分步拍照產品表麵缺陷,深度學習算法處理圖像,全麵實現外觀缺陷檢測，根據檢測結果自動擺滿托盤,自動疊盤收料，如圖所示；

設備外形圖

檢測工位

  檢測效果:  

案例二：Type-c外觀缺陷檢測案例分享

  檢測產品:  

Type-c連接器

  檢測內容:  

檢測產品鋁屑不良、缺pin、塑料屑異物、塑料損傷、舌片底部金屬絲、舌片端子漏B點等外觀缺陷；

  檢測要求  

1.缺陷產品漏檢率0%，

2.產品過殺率5%以內；

  檢測方案:  

采用直線式自動設備，對接客戶自動化產線，共有4個檢測工位，產品通過直振上料，移載到檢測工位進行拍照檢測，利用深度學習算法跟傳統算法相結合的方式，對產品缺陷進行檢測識別，再根據檢測效果進行OKNG分類，如圖所示；

設備外形圖

檢測工位

  檢測效果:  

檢測效果1

檢測效果2

檢測效果3

檢測效果4

案例三：字符外觀缺陷檢測案例分享

  檢測產品:  

鐳射字符缺陷檢測

  檢測內容:  

檢測產品黑點、白點、異色等外觀缺陷；

  檢測要求:  

1.缺陷產品漏檢率0.5%，

2.產品過殺率5 %以內；

3.黑點：0.1mm²2個以上NG，0.15 mm²1個NG。

  檢測方案:  

該設備采用料盤整盤上料的方式上料，機械手一次性將整盤產品從料盤內取出放置到檢測治具，檢測治具通過底部真空將產品吸平並固定在治具上，帶有XY軸的拍照係統對產品進行逐一拍照，采集到圖像聽過S-Gamma缺陷檢測係統進行檢測判斷，並將其結果輸出到分類機構進行產品分類。

  檢測效果:  

檢測效果1

檢測效果2

深度學習是人工智能的革命性的突破，大幅提高了機器學習、機器視覺、智能分析處理能力,帶來行業的變革、人工智能的熱潮，深度學習應用到外觀缺陷檢測，使缺陷檢測變得不再複雜、改變了傳統算法易受複雜背景等因素的影響、更準確的提高的產品的缺陷分類，深度學習技術的應用將產品檢測的檢出率、漏檢率、過殺率等指標不斷提升，防止不良產品流出到客戶端，實時的數據反饋係統能夠及時的將產品數據反饋出來，對提升改善品質提供參考依據。