7月21-22日，由机器视觉产业联盟（CMVU）主办，慕尼黑展览（上海）有限公司承办的中国机器视觉助力智能制造创新发展大会暨VisionChina2021（北京）在北京国际会议中心召开。

本次会议以“智能制造引领高质量发展”为主题，开设主论坛与分论坛，针对六大机器视觉前沿主题展开43场专题报告，深度解析机器视觉技术与智能制造创新发展的应用，为世界机器视觉技术及应用领域智能发展提供中国方案。

图：东声智能科技创始人&CEO 韩旭

此次演讲东声CEO韩旭先生针对当下深度学习软件在工业缺陷检测领域的难点，进行了深度剖析，讲述东声在AI视觉检测领域提供了快速、高效、可行的解决方案。

工业缺陷图象数据少、收集难

深度学习模型的成功主要依赖于大量训练数据，而工业流水线上的AI模型常常面临缺陷样本种类多、数量少的难题。

东声基于这类难题，利用结构化保持的流形学习方法、深度最优测度学习方法及特征匹配与对抗学习方法，解决基于迁移学习的小样本识别中产生的负迁移、负适配、欠拟合等关键问题。

工业产品类型复杂型号多变

检测目标存在多型号，材质相似，缺陷类型大致相同等特点。以往的深度学习算法在训练同一类图像的过程中容易产生过拟合现象。

通过工业领域收集的各类缺陷图片，训练出较为通用的预训练工业模型。由于通用模型的低层语义通常包含缺陷边缘、颜色等通用基础信息，无需重复训练，因此迁移学习冻结预训练模型的全部卷积层，只训练自己定制的全连接层；即只训练高层语义所包含的组合性复杂特征来将通用预训练工业模型迁移到多个只有小数据的领域，提高了泛化能力具有适应性。

深度学习卷积不可控，检测精确度低

AI Segmentation分割模型普遍存在精度不够的问题。开源算法及行业内某些厂商的语义分割算法检测的后的IOU（交并比）效果不理想，即反映精度不够或检测存在偏差的问题。

HanddleAI深度学习模块优化了算法底层框架，利用专业的超参控制调整，使得所检测的分割像素无限贴近于真实。根据项目图像特征的不同，组合配备对应的超参控制，对像素特征具有极高的感知，大幅度提升检测IOU及像素级精度。

深度学习黑匣子，优化无方向

针对目前深度学习只能处理可微数据，超参多不好调试，卷积过程黑匣子不可控，训练数据要求多，无法理解图像背后含义等缺陷。

解决优化无方向等黑匣子问题，通过计算获得最大那一类的输出相对最后一个featuremap的梯度，再把这个梯度可视化到原图，通过抽出中间层的结果来打开黑匣子。其次，在针对样本在训练过程中不可控的问题，特别加强了图像分类可视化功能，通过热力图、精准定位到最高权重，并提供强有效的方向性修复方案。

AI运算硬件成本高

卷积神经网络模型优化及异构加速，解决硬件高成本问题。软件能够搭载在不同硬件平台上，算法可以利用GPU/VPU/CPU/FPGA等多种加速芯片实现异构并行加速处理。同时，软件支持且兼容Atlas200/Atlas300I等加速推理卡。

将AI质检融入到每一条产线

东声智能科技在工业视觉检测领域沉淀多年，在汇聚行业PB数据的同时，形成了一套从底层算法、功能模块到软件平台、大数据分析等的核心技术壁垒。东声的HanddleAI软件平台在算法超高精度、检测速度、流程化操作、兼容多种硬件及设备、兼容跨平台操作系统、平台数据可视化等算法功能，均在行业达到领先水平。

未来，东声将继续秉承着“把简单留给别人，把复杂留给自己”的理念，致力于成为工厂的眼睛和大脑，将AI质检融入到每一条产线。