工信部联合国家发展改革委、教育部、科技部等部门发布了十四五智能制造发展规划。规划中提出：到2025年70%规模以上的制造业企业基本要实现数字化网络化，建成500个以上引领行业发展的智能制造示范工厂。
制造业离不开质检
质检需要AI智能化赋能
制造业企业生产效率、良品率、能源利用率等要明显提升。其中提到的生产效率和产品良品率是与工业质检息息相关的，而AI质检的加入也在这场智能制造发展趋势下被寄予厚望。
质检对于制造企业来说是非常重要的一个环节，眼睛里能看见的产品都是通过了质量检测。而每个产品的内部都包含了各种金属零部件，这些金属零部件也是需要质量检测的。
当然，针对这些产品的质检标准和方式在每个行业都不一样。我们今天的分享将聚焦到质检中的细分领域：金属零部件的外观质量视觉检测。
首先，大家可以看下图，来自部分用户寄来的金属零件样本：切割机压板、金属序列号。针对这些零件，工厂的诉求都是要对其外观瑕疵进行视觉检测。
那么传统常规的质检方式是怎样的呢？
方法一：人工视觉检测
依靠人工的方式存在几个问题：- 检测标准不统一，每个人的检测结果也会有差别，不可能复制；
- 劳动强度大，工人很容易产生视觉疲劳，从而导致误检/漏检率上升。同时也可能会有工人操作安全隐患；
- 人工质检的培训成本很高，周期长，每一次的培训结果也不可能复制。假如陆续要100个质检岗位，就预示着需要培训100次。
方法二：传统机器视觉检测
这种方法只能解决一些特定的问题。如果是在特征装备场景比较复杂的情况下，或者金属反光零件表面检测这类情况，传统机器视觉检测的漏检率就不好控制了。而且传统视觉检测的整个部署周期比较长，成本也是很多工厂承担不起的。
在走访过的几十家工厂车间后，能够直观地了解到，每一个工厂的构建是有差异的，而且质检的内容和标准也是各不相同。如果针对每家产品成立算法团队去进行模型训练，算法工程师完全不够用，且人力成本也是一笔不小的投入。
但如果使用飞桨EasyDL零门槛AI开发平台进行AI模型搭建，工厂的普通技术工人就能胜任，面向零算法基础人群、简单易上手。接下来，我们从具体几个金属零部件视觉质检案例，进一步了解AI质检。
飞桨EasyDL工业质检
案例展示
金属零部件具备一些特点，比如：反光、有电镀层、正反面识别、复杂金相识别等。但这些特性在飞桨EasyDL视觉检测中，恰恰不用担心。
以下图为例，这是一家检测螺纹口的公司提供的样本。可以看到螺纹口由于磨损或润滑不够导致有拉丝或疤痕的状态。同时由于螺纹口本身尺寸不大，与一毛钱硬币相比还要小几分，因此如果通过肉眼观察，很难分辨出哪一个是合格或不合格。
螺纹口样本
根据样本特征进行采集，并使用飞桨EasyDL针对零件进行AI检测模型创建，标注出哪些样本为合格，哪些是不合格。
标注瑕疵
标注后在飞桨EasyDL平台进行训练并最终部署到边缘计算模块。如果出现蜂鸣和红灯提示，说明这个零件是不合格的，如果绿灯亮起，说明这个零件是合格的。
检验效果
如何建立以飞桨EasyDL为核心的AI质检系统，仅需几步即可完成。首先是样本分析采集，其次是基于飞桨EasyDL的深度学习模型训练，最后再到边缘计算的部署。大家可以发现，AI质检系统中不仅需要核心算法，还需要很多的硬件支撑，彼此相辅相成。接下来详析带大家拆解步骤。
第一步：样本采集
将部分模拟量转换成可以量化的数字量。比如，这些金属零件上的划痕、瑕疵，或者是零件装配上的位置信息等，都需要将这些信息采集之后传达飞桨EasyDL。初始数据采集的准确性直接影响到后面模型训练的准确度。
在这里就要提到一个很重要的配件，即样本采集用的镜头，它就相当于飞桨EasyDL在真实生产流水线上的智能眼睛。采用什么样的镜头，也就意味着让AI能看到什么样的内容。这里有两个关键点：如何操作镜头以及如何为样本匹配一个合适的镜头。
先说操作镜头。针对AI质检选取的都是工业专用的镜头，其使用逻辑和原理与日常摄影镜头并无二致。因此我们需要了解一些摄影相关技术，如：焦距、变焦、定焦、微距、快门、光圈、感光度、噪点等，都属于摄影的基础知识。这些知识对样本采集起到很好的辅助作用，毫不夸张地说：成功的AI样本采集是从一张信息准确且直观的照片开始。
熟悉镜头操作后，就需要给实际样本匹配镜头。从样本大小、远近、位置和运动的模式等方面综合考虑。比如我们上面提到的螺纹瑕疵，可以选择微距，从而让瑕疵很快被镜头捕捉到。样本取样中需要争取每个角度都有侧重，甚至要关注不同光线下的样本选取。
第二步：样本标注
在数据准备完成后导入飞桨EasyDL进行标注，在这里需要注意标签和标注的重点。标签
标签是围绕着样本要表达的信息和实际部署场景展开的。比如外壳的划痕检测，工厂要求一旦出现划痕就视为不合格，或者是装配位置有一个螺丝，也视为不合格。所以在建立标签的时候，一定要按照实际的质检需求和流程设定标签。标注
标注也是飞桨EasyDL中非常重要的环节，需要将图像中涉及的瑕疵全部准确框定标注。利用平台提供的自动标注、纠错、评估报告等反复确认标注信息的准确无误。在这里提到评估报告中的maP值，有98%、99%这样的数值体现，这是深度学习领域里面衡量模型效果的指标。98%并不是说有2%的错误率，需要结合评估报告了解详情。
准确的标注对模型效果至关重要
第三步：模型部署
训练好的AI模型需要部署到边缘计算模块或者叫边缘计算相机。本次案例中使用到到的边缘计算相机是集成度很高的产品“辨影”，部署简单且接口丰富。在飞桨EasyDL中训练好的模型通过多种方式可直接部署到辨影中，整个部署过程中不需要再编写任何代码。辨影本身自带高灵敏度的液晶触摸屏，在不用外接显示器的情况下就可以对模型进行管理，比如：图像的自动拍照、采样以及各种调节等，且内置了蜂鸣器，可对效果验证给到提示。在接口方面包含了现在大部分的常用输入和输出接口，支持多种触发方式和信号输出。也可以外接摄像头或各种视频信号，也可以连接到PLC、单片机、网站、服务器和手机APP等。
边缘计算模块（辨影）工作流程图
最终通过边缘相机验证模型检验效果。到这里就完成了用飞桨EasyDL进行AI质检模型训练过程。
哪些质检项目
适合用AI来完成检测呢？
那么，哪些质检项目适合用AI来完成呢？
「如果能够一眼看出来的区别和变化，就可以尝试使用AI来完成」
这是一个简单直接的判断方式，当然，产业用户更多分布在汽车、金属加工、3C电子等领域，这类用户对自动化及AI的理解更多面一些。
除此之外，手工生产产品的AI质检领域也非常广阔。虽然目前我国正在进行产业转型，但仍然有大量工厂依赖人工生产及质检。一个工人一天要手工挑选上万件产品，比如一根USB线，注塑完后有没有问题，压铸有没有问题，都是在靠人工检查。又或者是拉锁的识别，需要检查拉锁是否有缺齿，这些都占据工人大量精力。应用AI减少重复性劳动、提升质检效率，并且能够高标准确保品控。
总结一下，飞桨EasyDL的部署在工业质检上有如下三点优势：
- 人员成本低
- 操作学习成本低
- 部署场景要求低
AI技术的加持，正在加速车企的数字化转型。数字化转型是汽车零部件制造企业的“刚需”还是“可选项”？AI如何更好地与企业业务结合？企业如何通过模型算法生成高效可执行的生产效能？疫情之下，汽车零部件制造企业如何“拥抱变化”？6月15日，一起来寻找答案。
京公网安备 11010602030059号
