2024上海机器视觉展会

2024年7月8日-10日，由机器视觉产业联盟（CMVU）主办的VisionChina2024（上海）机器视觉展暨机器视觉技术及工业应用研讨会在上海新国际博览中心完美收官。赛视也参与其中，与众多专业人士探讨交流。

在工业应用研讨会现场，赛视智能科技中国区总经理周星毅以“如何利用AI，解决AI视觉项目痛点”主题，发表精彩演讲，下文为其演讲内容整理。

尊敬的各位来宾，大家下午好，我是来自赛视智能科技的周星毅，希望我的演讲题目能让大家眼前一亮。这篇演讲没有硬核的数字和代码，主要是赛视的软件功能结合实际案例来解决AI视觉项目的痛点。

今天主要讲述的是做项目的时候遇到的难点，特别是在收集缺陷、收集数据和标注缺陷的时候，遇到的难题。

后面还会涉及到新的领域，比如说CT图像清晰度的问题，CT图像检测并不陌生，但是现在锂电池厂家开始要求从CT的抽检变成全检，时间就会被严重压缩，这样就会带来图像不清晰的痛点。

在完成缺陷检测之后，如何去追溯工艺上和设备上哪里出现了问题，这又是一个很大的痛点。

AI解决了痛点，但也带来了痛点

随着AI项目越来越成熟，不管是赛视还是终端自研，已经有非常多的AI项目落地，但依然有很多难做的项目。

哪些项目是适合做AI的呢？首先是型号，款式统一，产量、产能比较大，产品的缺陷种类是可数的，并且能找到缺陷，缺陷种类不多且肉眼可见，这样的项目是适合做AI的。反之就是不适合或者说是难做的AI项目。

从AI的角度再去分析原因，第一就是缺少样本，我们经常听到客户说这个产品刚生产没有缺陷样本，或者说这个产品正在生产，对于未来会产生怎样的缺陷不清楚，这一点就归结于缺陷样本的缺失。

第二点是客户知道哪一些是缺陷，也有一些缺陷样本，但是样本的数量很少，因为缺陷样本不足，导致项目进展缓慢，效率降低。

第三点是缺陷的种类很明确，但是缺陷种类多且缺陷很细小，这种情况下就需要大量的缺陷、数据标注。虽然有数据，但是标注费时费力。

综合来看，数据太多，耗时耗力；数据太少，项目做不了，效率降低。

缺陷样本缺失

解决缺陷样本缺失的问题，赛视准备的是无监督学习检测。无监督学习检测的优点就是只需OK样本，即可完成检测。

无监督学习检测可以将缺陷的轮廓和面积信息告知用户，方便后期的模型训练。

无监督还有一个很大的优点试错成本低，只需收集OK图像，不需要标注，训练速度快，消耗时间少。

缺点也很明显，无监督检测对于产品的统一性要求较高，对于细小的变化很敏感，会导致过检率高。

第二点就是无法告知用户缺陷种类，只学习OK样本，不管是划痕还是缺失都是缺陷，但具体是哪一类缺陷无法辨别。

有缺陷样本，但样本很少

在缺陷样本少的情况下，推荐使用缺陷生成功能。使用少数的缺陷样本可以训练出一个缺陷生成模型，再使用收集到的OK图像可以生成大量的缺陷图像，再将生成的缺陷图像使用在检测模型训练上，可以在缺陷样本少的情况下大幅度提高检测准确度。

SAIGE VISION的缺陷生成分为两种模式：自动生成和手动生成。

自动生成优点是可以在选定领域内大量生成需要的缺陷类型，缺点是生成大量缺陷图像后需要对其进行一下筛选，将不可能发生的缺陷删除。手动生成的优点是可以在需要的特定位置生成特定的缺陷。比如现在的检测模型如果总是检测不出棱角处的划痕，可以使用手动生成模式只在棱角处创建多个划痕加以训练。

缺陷种类多/形态小，需大量标注

当数据很多的情况下，有没有什么轻松标记的方法？赛视提供两种方法，一种是自动标注，另一种是快速标注。

自动标注是使用提前训练好的模型检测新的图像，并把检测结果当做标注使用。假设需要标注1000张图像，可以先对100张图像进行标注，然后先训练一个标注用的模型对剩下的900张进行自动标注，之后只需将其中标注错误的标注再人为进行修改一下就可以。

快速标注是将需要标注的图像导入到软件中，然后使用深度学习技术结合传统视觉的方法去分析每一张图像，最后采取画框或魔棒的方式把缺陷标注出来。这样就不需要用户沿着缺陷的边缘，精细的进行标注。

新领域：CT图像不清晰，导致无法进行后续检测

随着汽车电池事故的频繁发生，汽车厂家现在要求对锂电池从抽检变成全检。但是在使用CT设备进行采图时，由于CT设备的采图原理，一般每次采图需要8-10分钟才能得到清晰的图像。

8-10分钟的采图时间完全满足不了产能，为了满足产能只能使用10-20秒的时间进行采图，但这样采集到的CT图像会很不清晰，导致后期分析的困难。

这种情况下应该怎么办呢？赛视的图像增强技术，采用超分辨率，可以在很短的时间内将低品质转换为高品质，或者超高品质的图像。

新领域：找到缺陷后无法追溯工艺异常

如果生产设备发生问题，怎么办呢？在质检环节，找出产品的缺陷只是重要环节之一，更重要的是找到生产设备上的缺陷，这样才能从根本上杜绝、预防缺陷的产生。

现在有些大工厂已经在生产线上部署了多台IP相机，对设备的运作进行录制、保存，然后等发现大量瑕疵品发生之后，再花费人力和时间追溯问题发生的设备，但即使这样有些高速或微小的设备异常用人眼是很难看到的。

赛视的SAIGE VIMS系统，使用无监督深度学习算法，能够实时的对设备或工艺异常进行检测。仅需要1-2小时正常运作视频进行训练，就可以对高速，细小的异常进行实时的检测，比如说机器手的抖动、螺丝的松动、焊接产生的火花等。

下面是SAIGE VIMS一些实际的案例应用，目前落地在锂电池、3C工厂等。