虽然对薄膜/非织造布/纸张等表面及其后续转换/层压产品的自动光学检测（AOI）功能日益强大和多样化，但有时难以部署到日常操作中，特别是在操作和常驻工程人员减少的情况下。因此，AOI制造商开发重点放在工具和方法上是很重要的，使得AOI系统基本不需要进行日常维护，并操作简单。这是通过使用各种形式的人工智能（AI）来完成，人工智能可以自动完成如调整光照水平、鉴定品质和缺陷分类等任务。本文将介绍工作原理，并展示它们的用法。

优化AOI系统的三个步骤

   一旦自动光学检查（AOI）系统安装校准，是时候为第一个产品调整。现代AOI通常具有多个视图，例如穿透通道和变形通道的视图。多个视图不仅显著提高了检测能力，更重要的是，提高了正确缺陷分类的能力。这些不同的视图都需要针对每个产品进行优化，并且需要开发它们的分类——使用更多的缺陷属性。

产品检测的部署或导入可分为三个基本步骤：

1. 调整每个视图的亮度和相机增益，以优化缺陷检测的对比度。

2. 确定缺陷捕获的合理触发水平（阈值）。

3. 根据系统捕捉到缺陷多幅图像进行分类。

自适应检测材料

   作为我们的第一步，我们需要考虑设置相机增益和光功率水平，以在每个潜在的多个视图中获得最佳对比度。虽然这通常是一个简单的任务，但在某些光学配置中可能有点棘手。

然而，优化通常是一个迭代（重复）过程，在这个过程中，可以指定一个操作人员或维护人员负责程序如下：

1. 确定第一个视图中当前的平均亮度。

2. 如果太暗，则增加光功率或相机增益；如果太亮，则相应减少。

3. 再次确定平均亮度。如果它在目标上，则转到下一个视图的步骤1；否则，转到步骤2。

   看起来很简单，不是吗？看第二步：调整光功率或相机增益？AOI系统专家会关注更多，比如整个成像系统的噪声或光源（它已经被放大了吗？）。在某些视图中，特别是在非织造布或其他纹理材料的检查中，甚至需要对多个光源进行适当的平衡以实现最佳成像。所有这些额外的情况将使操作者在产品更换过程中很难完成任务，否则他们将忙于处理设备而不是生产新产品。

   经典的人工智能之一如下图：左图光平衡不当下材料本身信号噪音干扰，缺陷不可见，右图自动优化光源下缺陷清晰可见。

   本质上是由一个简单的专家系统监督的增量控制算法。该系统承担着“专家”的角色，通过遵循一套程序来调整视图，并作出已编程的决策。人工智能可以比人类专家更快地完成这项任务，而且没有可能犯下人类可能会遇到的错误。事实上，即使是公司里经验丰富的工程师，比起手动调整材料现在更喜欢使用“自动模式”，因为其高度准确而且秒速。

   智能检测的阈值调整 下一步我们要将异常检测调整到系统可以处理的合理水平（参见图2）。大多数材料都会表现出某种形式的“背景材料噪音”，由于表面粗糙度、雾度或材

   料上的图案（如压花）而引起的材料的微观变化。对于非织造布，这些甚至可以是相当大的面积变化，而在一定范围内的变化是正常的材料。

   调整阈值的通常方法是依据背景材料的噪音高低，设定一个安全值。根据工艺的不同，背景材料的噪音会在产品运行或者产品切换时会产生一定的波动。在过去，AOI系统供应商有时会提供一个单独的“灵敏度调节器”旋钮。虽然这是一个简便快捷的解决方法，但是一旦系统因为高的材料噪音而经常位于高阈值，那么一旦使用背景噪音较小材料时，就很难调回应有的灵敏度。

   我们需要的是系统智能，它能够在连续观察背景材料噪声的基础上， 即使确定最佳检测灵敏度，然后以最佳利用系统缺陷处理能力的方式调整检测阈值。

   这是通过使用智能噪音水平测量和系统负载监测来实现的，系统本身知道其极限在哪里。遵循的策略是：“推至极限，使其在不超载的情况下尽可能多检测缺陷。”拥有多达64位的现代主处理器可以提供前所未有的图像处理和缺陷分类能力，这在几年前是闻所未闻的。

用于缺陷检测和分类的人工智能（机器学习）：

   当然，人工智能方法对自动化检测最重要的影响是通过实际缺陷的分区和分类来实现的。在物体识别领域中，为了将图像（或视频）中的物体分离并快速分类，出现了大量的新研究。人们会想到自动驾驶汽车，它需要快速区分它们“看到”的是什么，并跟踪物体相对于汽车的运动。

   在图像处理领域，分离图像中物体的能力称为分区。在图像处理中，一种长期使用且值得信赖的方法是首先通过简单的边缘检测滤波器来识别物体的轮廓，该滤波器基本上对图像梯度（变化率）使用一个或多个固定阈值。这对周围高对比度显示的物体很有效。但是如果当物体逐渐淡入背景时，这些方法将不会捕获整个对象，而可能只是一个小的、高对比度的部分。例如，如果我们采取图2所示的昆虫（左上角），我们最终会发现躯干（左下角），但会错过腿和翅膀。这种分类很难确定它确实是一种昆虫。

   在过去，这需要经验丰富的图像处理工程师花很多时间来开发合适的图像过滤和分区算法。今天，人工智能基本上可以让我们从这些乏味的工作中脱身。这是通过简单地定义图像中捕获的一些缺陷的轮廓来工作的，告诉人工智能系统我们期望的分区结果是什么。然后，人工智能通过数百甚至数千种不同的图像处理方法对图像进行处理，并识别出最适合的图像处理方法，从而产生如图2（左下角）所示的高阶图像，即MIDA X图像。对于特别棘手的应用程序，这项优化任务可能需要巨大的云计算能力，而我们为客户提供了这些能力。

   现在我们已经成功地对缺陷进去分区，最后一步是对它们进行分类。分类是指检测系统根据对一个缺陷拍摄的一幅或多幅图像，自动确定缺陷类型。一个简单的例子是，我们希望系统能够区分表面上的颗粒和嵌入材料中的颗粒（即塑料薄膜中常见的晶点）。

   经典的方法是由一个经验丰富的应用程序工程师手工编写规则，同时他对描述检测到的缺陷（特征）的数值有很深的了解。那么如果是外观明显不同的图像，效果当然好。一旦使用多个光学视角，任务可能会变得非常复杂，并且很可能不会产生最佳结果。几十年来，不同风格的自动分类器已经在AOI系统中实现，

   以简化这项工作。无论使用哪种通用的机器学习技术，为了产生一个结果，都需要被我们“告知”要寻找的东西。这对我们的检查系统意味着我们需要收集一些缺陷，这些缺陷由系统成像并分类。一旦系统被实际安装，它最初将被设置为简单地捕获与材料本身不同的所有内容。然后用户将查看捕获的缺陷并将类似的缺陷收集到单个桶中。这个过程有时只需要几个小时，但很大程度上取决于实际的缺陷率和产品的运行情况。

三种目标识别算法

   一旦我们有一个合理的分类缺陷图像库，我们现在有一个良好的基础，进一步提高分类。基本上有三组目标识别算法。

   决策树基本上是道路上的一组分支，在这些分支上，对是/否问题的答案决定了要继续哪个分支。最后，缺陷会到达决策树的“叶子”中的一个，每个叶子代表一个特定的缺陷。

   上述的增强版本是所谓的C5.0決策樹 算法。它基本上为每一个缺陷分类的确定性标注了百分比。例如，它标注缺陷为70%确定的“晶点”和30%确定的“碳”。

   现在，我们有了与这个C5.0算法决策树相关联的概率，现在可以应用一种可以用来减少监督式学习中偏差的机器学习算法，叫提升方法（Boosting）（参见图3）。因为决策树可以提供一些不同的结果，例如，我们可以让C5.0先创建多个决策树，然后将它们的概率组合起来。这基本上就像让多个人查看一个缺陷并收集他们的决定。之后，我们得到了一组组合的缺陷类概率，并可以根据其中一个概率最高的缺陷分类。但是，我们也可以设置一个阈值，比如说60%，只有当它高于60%时，才提供缺陷类决策，否则称之为“未指明”。这允许我们指示人工智能系统仅在有明确决定时才提供结果。称之为“决定性的投票”。

   基于决策树的自动分类器在工业应用中的一个优点是需要相对较少的教学样本集。我们还可以通过决策树跟踪导致分类决策的信息。

   然后，用户可以用一个“按钮”做一键分类。分类器不确定的缺陷将被归类到一个未知的类别中，以便进一步细化。

   通常，有些情况下，我们已经知道如何对缺陷进行完美分类，而不需要人工智能（见图4）。例如，辊印具有明显的重复距离。一个好的人工智能分类系统需要提供一种方法来引入这样的规则，或者绕过人工智能分类，或者补充人工智能分类。

   几十年来，神经网络也被用于机器学习。在20世纪90年代末到21世纪初，由于神经网络在样本范围外的外推变得不可预测，因此在高度依赖精心挑选的样本集的基本问题上没有太大进展。最近重新点燃的研究，在2012年发表了一篇关于深度学习主题的关键论文，极大地提高了它们在基于图像的对象识别领域的适用性，并在实际应用中提供了明显更好的性能。对于工业应用来说，神经网络的决策不透明的事实使得它们很难通过进一步改进训练集来逐步改进。人们普遍认为，与C5.0方法相比，神经网络需要更大的训练集。

   另一种人工智能的目标识别方法是支持向量机算法（SVM），是按监督学习方式对数据进行二元分类的广义线性分类器。但是此算法的教学方法非常复杂，不适合非专家训练。

系统全面的重要性

   为机器学习创建样本集的两个关键方面是一致性标记（我们希望人工智能系统将此缺陷叫做什么？）和注释（缺陷的轮廓是什么？）。

   我们已经认识到一套好系统的重要性便于收集一致的缺陷样品。毕竟，我们在这里教机器就像老师教孩子一样。如果教导不一致或冲突，结果也会同样不一致和混乱。

   因此，我们设计了一个工作台（Workbench），专门用于帮助用户组装缺陷样本库（见图5）。工作台（Workbench）将在用户对缺陷的几个示例进行分类之后，提供关于缺陷可能属于哪一类的建议。所以从本质上说，工作台（Workbench）告诉用户，“我觉得这看起来像这个缺陷”，甚至还能给出置信度的建议。

实现了分类的改进

   表1显示了在单个（自动学习）决策树分类器和增强的C5.0算法之间所做的改进。分类器最终变得多好仍然取决于训练库的质量，它对出现的缺陷的代表性，以及系统提供了多少视图来区分单个视图中看起来相似的缺陷。

结束语

   在建立和优化自动光学检测（AOI）系统时，为每个任务选择正确的人工智能（AI）方法，大大减少了所需的时间和精力。充分发挥AOI系统的潜力，用户不再需要一个在视觉系统的操作和设置方面是专家的人。现在，用户可以集中精力评估他们的实际产品质量定义，并快速使用该系统不仅用于质量保证，而且还可以识别过程问题并加以纠正。AOI提供的更精确的数据不仅可以确保发货质量，而且可以显著改进流程并优化生产工艺。