精准识别, 提高生产效率！--研华AI视觉检测系统

伴随着5G、人工智能（AI）等新技术的应用，科技发展的红利逐步进入生产制造领域，一些耗时、重复的工作成为了人工智能替代的首选。其中，AI视觉识别技术以其强大的图像处理和识别能力，在工业领域中的应用越来越广泛。

与传统的视觉检测方法相比，工业AI视觉检测系统不仅可实现自动化生产线的智能调度，提高生产效率，节省大量人力成本，还保障了对产品的检测精度，细微缺陷、异物等都能够精准识别。此外，工业AI视觉检测系统可配备针对不同产品的检测算法，并且可以随着工艺流程调整和升级。

在对产品进行外观质量检测时，AI视觉检测设备需要实时将产品的超清图片、平整度等信息上传比对，并快速得出结论、做出反应，这对设备的边缘计算能力以及AI自主学习能力有着较高的要求。作为全球智能系统产业的领导厂商，为进一步保障如type-C连接器等智能手机零组件产品的外观质量，研华科技依托自身在研发、技术等方面的优势，联合其合作伙伴偲捷科技共同开发了AI视觉检测系统AI Navi，此系统不仅拥有强大的边缘计算和自主学习能力，还可以帮助客户进一步优化工厂智能化升级的成本，从而最大程度地保障客户的利益。

AI加持，type-C瑕疵检测效率大幅提升

type-C外观检测是产品质量检测的重要环节，主要目的是识别如裂纹、污渍、刮伤、毛刺及气泡等产品外观缺陷，及时发现并剔除不良品。但由于type-C连接器一般采用多种不同材质制成，如橡胶、金属及塑料等。多种不同材质，不同颜色的混杂使得产品同平面具备多种瑕疵可能性，且每类瑕疵卡控值不同，检测标准繁复。

传统制造厂的type-C外观检测一般采用人工肉眼识别的方式，这无疑会消耗大量的劳动力，而且由于检测者个人主观因素的存在，会致使检测标准无法完全一致，同时，检测者在持续作业时，容易产生视觉疲劳，可能出现误判、误断的情况，准确率难以保证。

某知名手机制造代工厂在采用了研华科技的AI Navi视觉检测系统后，根据其事先录入的质检标准，达到了全天24小时无间断作业的效果，大幅降低了其人力成本。与传统的外观检测方式相比，AI Navi视觉检测系统可达到零延迟实时检测，大大提高其检测效率，并能实时记录检测数据，数据化追溯产品质量，提高品质可信度。此外，在面对塑料、金属及橡胶等多种材质的检测时，AI Navi采用多个AI模型并用分散独立的项目式管理架构运行，从而避免了部分AI视觉检测解决方案所面临的叠代困难等问题。AI Navi采用的项目式管理架构，每一个检测项目都是独立运行的，可对每个独立项目单独做迭代升级，有效提高了基于复杂产品检测升级的成功率。

图片扩增与瑕疵标注的优化

针对工业场景中的应用特点，如何对已有的AI算法进行改进和发展，使其更好的为工业缺陷检测服务，经过这几年的应用和实践，AI和深度学习技术在工业缺陷检测中仍然存在一些技术挑战。主要包括以下两个方面：一、数据采集和标注困难。工业缺陷检测数据的采集和标注需要大量的人力和时间，而且数据质量对模型的性能影响很大，有些缺陷面积小、数量多以及种类杂，全部标全工作量大，不标或漏标则会影响学习效果。因此，如何有效地采集和标注工业缺陷检测数据是一个非常关键的问题。二、训练样本的不平衡问题，有的工业制品表面形态多变，缺陷种类繁多，不同种类缺陷的数量差别很大，导致训练样本的不平衡，这会影响模型的分类精度和鲁棒性。因此，训练样本的不平衡会严重影响AI学习和检测效果。

研华AI Navi视觉检测系统凭借独特的图片扩增及人工画笔技术，搭配其便捷高效的图片标注技术有效的解决了上述挑战。在面对数据采集困难或低数据量时，AI Navi视觉检测系统会根据现有瑕疵模板去随机生成其它瑕疵图片，再由人工辨识，通过便捷高效的瑕疵标注功能，只需轻轻一点，便可扩增出各种不同的瑕疵图片。此外，在面对瑕疵样不足或瑕疵高多样性时，通过人工画笔技术，人为生成新的瑕疵图片，由AI Navi辨识后完成自主学习，通过人工干预的方式去增加瑕疵类型，有效避免了训练样本的不平衡问题，让AI训练模型更完整。

融合开放的AI引擎插卡与引擎外挂方案

由于厂商为了提升自身的生产效率，都会对检测系统进行优化适配，甚至会构建自己的操作系统，这可能导致新的AI视觉检测系统对原厂检测系统的调用出现异常。此外，由于当前设备硬件差异化越来越大，智能系统的多样性也会导致AI视觉检测系统运行时出现意料之外的情况，进一步增加AI视觉检测方案兼容运行的难度。

研华AI Navi视觉检测系统是一个融合开放的生态系统，兼容多规格的产品检测需求，可根据客户的生产效率需求，提供不同的两种解决方案（即AI引擎插卡方案与AI引擎外挂方案），快速实现差异定制，且不受硬件品牌约束，灵活适应多种硬件平台。因此，研华AI Navi视觉检测系统当前已在电子元器件生产商、半导体晶圆制造厂等众多知名厂商中得到广泛应用。