一、制造业质检的革新之路

工厂数智化转型：从传统人工质检迈向深度学习驱动的机器视觉技术。在制造业的传统生产过程中，人工质检一直是不可或缺的一环。然而，高昂的人力成本、难以控 制的误差率以及日益增长的客户质量要求，正迫使企业寻求变革之路。在这场变革中，那些能够 迅速将生产线升级为智能自动化模式的企业，无疑将抢占先机，实现效益的飞跃。

近年来，技术的飞速发展，特别是人工智能（AI）与机器视觉的兴起，为各行各业注入了新的活 力。对于制造业而言，这些技术的深度融合与应用，已成为衡量企业竞争力的重要标准。深度学 习与机器视觉的协同作战，赋予了机器人装配工前所未有的“洞察力”。它们能够精准识别产品异 常，迅速判断零件存在与否和装配位置是否正确，甚至在庞大的生产规模下也能保持极高的准确 性。深度学习与机器视觉的结合，不仅大幅提升了生产效率，还实现了质量控制的精细化管理，  有效降低了运营成本。

二、什么是深度学习技术？

深度学习技术是人工智能（AI）的一个分支，也是机器学习家族的重要组成部分。其核心在于利 用大量数据，通过神经网络*进行训练，自主学习并输出优质模型，无需人工针对特定任务进行繁 琐编程。这使得深度学习技术能够从容应对从日常应用到复杂科学问题的一系列挑战，如产品缺 陷检测、面部特征识别、疾病症状诊断等，展现了其广泛的应用前景与强大的问题解决能力。

*神经网络：模拟人脑的智慧

神经网络是深度学习技术的核心。这一 概念源于对人脑神经元连接方式的模 拟，通过输入层接收数据，经过多层计 算节点（神经元）的复杂处理，最终输 出预测或分类结果。在训练过程中，系 统不断调整各节点间的权重与阈值，直 至模型对同一类别的数据能够产生稳定 且一致的输出，这一过程正是深度学习 模型“学习”的奥秘所在。

三、深度学习+机器视觉：精准与效率的双重提升

3.1机器视觉在工业领域的四大应用场景

机器视觉依托高精度工业相机与光学设备，通过捕捉图像并传输至计算机进行处理，实现特征识 别、分析与决策。在工厂生产环境下，机器视觉常用于定位、识别、测量、检测等领域

•定位：精确确定元件位置与方向，为后续检测奠定基础。

•识别：读取元件、标签上的各类编码与字符信息。

•测量：测量物体关键点间的距离，验证是否符合规格。

•检测：发现瑕疵、损坏等异常情况，确保产品质量。

3.2传统机器视觉与深度学习技术的差异

传统机器视觉擅长于分析和处理一致性高的目标，通过预设规则与算法，完成检测任务。但当异 常和缺陷样本库日益庞大时，这些应用编程复杂度也将随之剧增，以至于传统机器视觉逐渐难以 满足工厂自动化领域的多样化需求。

 深度学习技术的引入，巧妙地融合了传统机器视觉的可靠性与人眼识别异常的天然能力，这使得 深度学习技术特别擅长于解决传统机器视觉难以完成的复杂视觉挑战，包括：

•在易混淆背景下，识别元件外观的细微异常（划痕、裂缝等缺陷）。

•灵活适应不同产品批次间的差异性变化，且无需进行大范围的重新编程。

尤其在产品的质量检测与分拣领域，深度学习技术发挥着巨大的作用，在外观检测、缺陷分类、 分选定级、装配检查、有无检测、字符识别等应用中，展现出显著的效果。

•外观检测：通过AI识别技术，准确识别产品外观缺陷，有效进行产品质量控制。

•缺陷分类：利用AI分类算法，进行精准缺陷分类，并进行工艺关联和良率改善。

•装配确认：快速检测多类组件，验证各类原件装配情况，实时监控产品出货质量。

•有无判断：在产品生产过程中，判断零部件及组件是否缺失，检验产品组装的完整性。

•分选定级：针对农产品进行表面形态的智能识别分析，根据识别出的特征进行等级划分。

•字符识别：利用AI技术可对各种字符条码进行识别， 极大提高了复杂场景下的识别准确率。

四、与传统机器视觉相比，基于深度学习的机器视觉技术所 展示的协同效应表现在以下几个方面：

4.1提高检测精度

深度学习模型的训练使得缺陷识别更加精准，减少人为误差，提升检测速度和稳定性。

4.2简化复杂任务

对于高难度的产品质量控制，深度学习在处理复杂背景和多样化的缺陷时表现出色，提供更为高效、可靠的解决方案。

4.3灵活性与适应性

深度学习模型具有强大的泛化能力，无需反复调整规则，能够快速 适应不同生产批次中的变化以及新的检测需求，减少系统停机时间 和部署周期，提升整体运营效率。

实际上，在工厂自动化工具的选择中，传统机器视觉与基于深度学习的图像分析软件并非互斥关系，而是彼此互补。对于诸如测量等特定应用，传统机器视觉仍以其成本效益高而占据优势地位。然而，对于涉及不可预测缺陷的复杂检测任务，由于传统机器视觉系统在编程与维护上的局限性，深度学习工具凭借其卓越的性能脱颖而出，成为理想的替代方案。

五、深度学习机器视觉在工业场景中的实际实现

5.1深度学习机器视觉在工业场景中的应用是一个复杂而精细的过程，它涵盖了数据收集、预处理、模型训练、验证与优化、部署以及持续监控等多个板块。

首先，通过工业相机和传感器收集生产线上 的图像数据，这些数据经过清洗、标注等预处理步骤后，成为模型训练的基础。

接着，利用基于深度学习的工业AI视觉算法平台软件，构建算法方案并训练模型，借助训练集设定和参数调整，模型得以精准识别缺陷并进行有效分类，充分满足工业场景中的高标准需求。

在模型验证与优化阶段，评估模型性能，确保其在实际应用中展现出高度的稳定性、准确性和鲁棒性。

最后，通过，将高质量模型部署到生产线上的机器视觉系统中， 实现实时检测与即时反馈。

同时，通过持续监控模型的表现，收集产线上的过漏检图像数据，对模型进行迭代优化，以保持模型的适应性。

六、工业AI视觉算法平台 AIDI

AIDI是阿丘科技研发的一款基于深度学习的工业AI视觉算法平台，内置八大AI功能，能够解决复杂缺陷定位、检测、分类及字符识别等问题，展现出强大的检测能力与广泛的应用价值。

七、AIDI全场景算法工具

7.1支持缺陷检测、缺陷分类、字符识别、分选定级等视觉场景落地

•分割

对图像进行像素级检测，精准识别缺陷的位置、尺寸和类别。

•非监督分割

只需良品图即可对所有已知和未知缺陷进行像素级检测，快速上线验证。

•检测

对图像进行区域级检测，准确识别目标物或缺陷。

•定位

检测图像中单个或多个目标的类别、位置、大小和方向。

•字符识别

对图像中的字符进行高效识别。

•装配检查

检测固定区域内目标的有无、数量是否符合要求。

•分类

判断整张图像所属类别。

•非监督分类

只需良品图即可对所有已知和未知缺陷进行整图分类，快速上线验证。

八、为什么选择AIDI？

8.1一款软件完成完整的算法方案搭建及模型训练

工业视觉检测场景的算法方案复杂度较高，通常由多个算法和模型组成，以往需通过外部代码或外 部软件实现多个AI模型间的逻辑设置，并手动传递图像集，操作复杂难度高，且难以把握整体算法 方案的结果。AIDI提供了图形化的算法流程编排工具——算法画布（Algorithm Canvas），帮助用 户直观地完成从图像输入到结果输出的整体算法处理流程设计，降低算法方案开发的复杂度。

AIDI提供了图形化的算法流程编排工具———算法画布（Algorithm Canvas），帮助用户直观地完成从图像输入到结果输出的整体算 法处理流程设计，降低算法方案开发的复杂度。

九、为什么选择AIDI？

9.1算法性能行业领先，检测精度高、检测速度快、样本数量依赖度低

针对工业场景设计的高效轻量的网络结构，满足高速检测需求。

•GPU推理速度一骑绝尘，500万像素级检测，单图推理耗时20ms以内；

•CPU推理效率大幅提升，500万像素级检测，单图推理耗时约50ms，中低速场景可直接省去显卡成本；

精准检测细小复杂缺陷，缺陷检测精度可达3*3像素大小、10DN对比度级别。

全面采用小样本技术，单类缺陷样本仅需20-30张图像即可稳定建模。良品学习性能领先，算法通过学习共性特征，即可识别缺陷品，在部分场景实现0样本。

9.2可靠易用，历经海量场景的验证和打磨

十、AIDI配套工具：进一步打通工业AI视觉检测全链路应用

10.1视觉系统应用开发平台 AQVision

内置系统流程搭建、硬件配置等功能，可无缝集成AIDI算法，内置多类工具模块，拖拽式编程，低代码开发，降低检测落地复杂度，提高落地效率。

10.2工业级智能图像生成软件 AIDG

支持在图像的选定位置海量生成所需缺陷样式，解决因图像数据不足导致的模型训练及验证困难、模型指标不佳等问题。

10.3集中训练云平台 AQCloud

为批量部署场景提供厂区级AI模型相关的集中训练及管理能力，解决Al在批量落地时模型开发运维的效率问题。

十一、阿丘科技

11.1业界先进的工业AI视觉平台及解决方案提供商

2017年成立至今，阿丘科技专注于将先进的人工智能、机器视觉等技术应用于工业领域的智能化检测。拥有自主知识产权的深度学习算法、软件平台、垂直行业解决方案，服务于高端制造企业、工业设备商、视觉系统集成商等客户，帮助客户解决复杂的视觉检测问题，推动人工智能在企业的落地应用，助力制造业的数字化、智能化升级。

十二、迈向智能制造的新篇章

基于深度学习与机器视觉的结合，阿丘科技为制造业提供专业的视觉检测解决方案。在需要高精度、复杂图像识别及应对于确定性场景时，深度学习展现了其无与伦比的灵活性与适应性。阿丘科技将不断创新，为智能制造与工业自动化提供更加高效易用的AI产品、方案及服务。