標(biāo)題：ALFA深度學(xué)習(xí)軟件金屬外觀缺陷檢測(cè)應(yīng)用
ALFA軟件使用神經(jīng)網(wǎng)絡(luò)算法，模塊化地解決機(jī)器視覺(jué)的各種問(wèn)題，真正讓人工智能走入機(jī)器視覺(jué)領(lǐng)域。ALFA讓每一臺(tái)自動(dòng)化設(shè)備有了大腦，有了像人一樣的學(xué)習(xí)能力，可以在不斷工作中積累經(jīng)驗(yàn)，越干經(jīng)驗(yàn)越豐富，結(jié)果越來(lái)越精準(zhǔn)，實(shí)現(xiàn)真正意義上的機(jī)器替代人，必將掀起新一輪的產(chǎn)業(yè)變革。
利用ALFA缺陷檢測(cè)模塊工具的管理模式和ALFA分類(lèi)模塊的自動(dòng)化檢測(cè)與分類(lèi)，將會(huì)使汽車(chē)行業(yè)的金屬零部件檢測(cè)變得非常簡(jiǎn)單。
首先需要收集大量的零部件檢測(cè)圖片做為學(xué)習(xí)樣本庫(kù)，其中包括正常品和殘次品，每種殘次品的檢測(cè)圖片至少包含一組以上。樣本庫(kù)中的樣本越多，學(xué)習(xí)效果越好，后續(xù)的檢測(cè)也會(huì)越準(zhǔn)確。
接下來(lái)ALFA軟件通過(guò)圖片樣本庫(kù)進(jìn)行訓(xùn)練學(xué)習(xí)，并產(chǎn)生檢測(cè)的參照模型，這個(gè)學(xué)習(xí)過(guò)程只需要不到10分鐘，具體學(xué)習(xí)取決于電腦的硬件配置。
最后即可將ALFA用于實(shí)際的檢測(cè)中。
缺陷案例
 
圖2：缺陷檢測(cè)案例。
 
如圖2所示，軟件算法通過(guò)一組有代表性的注釋圖像，以及已知的好樣本進(jìn)行自我訓(xùn)練后，學(xué)習(xí)系統(tǒng)自動(dòng)集成上下文信息，形成一個(gè)可靠的形狀和紋理的模型，用于校對(duì)檢測(cè)。結(jié)果顯示，之前難以被識(shí)別的缺陷，都可以被準(zhǔn)確地檢測(cè)到：撞擊和刮傷被視為異常，因?yàn)樗鼈冇幸粋€(gè)紋理區(qū)域偏離了預(yù)期的設(shè)定值，即撞擊和刮傷面積超出了容忍偏差。
粗糙金屬板
表面缺陷檢查的關(guān)鍵挑戰(zhàn)之一，即它們是動(dòng)態(tài)的，這與零部件的加工工藝流程或成形過(guò)程有直接關(guān)系。當(dāng)零部件經(jīng)歷了全部的生產(chǎn)步驟，其中部分表面被噴涂油漆，導(dǎo)致拋光表面成為鏡面反射光。如圖3所示，此時(shí)撞擊、污漬和劃痕這些缺陷才變得可見(jiàn)，并且令人不安。汽車(chē)生產(chǎn)廠(chǎng)商完全不能接受這種缺陷產(chǎn)品。
然而，這種只能在工藝末端才能檢測(cè)到的缺陷，成本非常高昂。利用ALFA缺陷檢測(cè)模塊，粗糙材料上典型的缺陷，可以通過(guò)任何標(biāo)準(zhǔn)照明和矩陣相機(jī)獲得的圖像檢測(cè)和分類(lèi)。訓(xùn)練階段完成后，在一個(gè)標(biāo)準(zhǔn)GPU上計(jì)算其能在幾毫秒內(nèi)可靠地識(shí)別缺陷，從而實(shí)現(xiàn)在線(xiàn)實(shí)時(shí)檢測(cè)。

圖3：粗糙金屬板表面的撞擊、污漬和劃痕檢測(cè)實(shí)例。
 

結(jié)果 & 性能
強(qiáng)大的檢測(cè)：ALFA可以在生產(chǎn)過(guò)程的早期階段，可靠地對(duì)復(fù)雜紋理的表面、鏡面反射和可容忍范圍內(nèi)的異常圖像缺陷進(jìn)行檢測(cè)和分類(lèi)。
自學(xué)習(xí)：檢測(cè)過(guò)程無(wú)需大量仔細(xì)調(diào)整和優(yōu)化的檢測(cè)算法，而是依賴(lài)于一個(gè)類(lèi)似人類(lèi)的方法——學(xué)習(xí)和應(yīng)用，并且具有改進(jìn)的測(cè)試一致性和可重復(fù)性。
快速&簡(jiǎn)單：整個(gè)學(xué)習(xí)具有代表性的圖片樣本庫(kù)的過(guò)程非常高效，其學(xué)習(xí)時(shí)間小于15分鐘
聯(lián)系人：熊先生  電話(huà)：   
聯(lián)系人：鄂先生  電話(huà)：
網(wǎng)址：