2. 程式人生 > >ALFA深度學習軟體金屬外觀缺陷檢測應用

ALFA深度學習軟體金屬外觀缺陷檢測應用

阿新 • • 發佈：2019-01-22

ALFA軟體使用神經網路演算法，模組化地解決機器視覺的各種問題，真正讓人工智慧走入機器視覺領域。ALFA讓每一臺自動化裝置有了大腦，有了像人一樣的學習能力，可以在不斷工作中積累經驗，越幹經驗越豐富，結果越來越精準，實現真正意義上的機器替代人，必將掀起新一輪的產業變革。利用ALFA缺陷檢測模組工具的管理模式和ALFA分類模組的自動化檢測與分類，將會使汽車行業的金屬零部件檢測變得非常簡單。首先需要收集大量的零部件檢測圖片做為學習樣本庫，其中包括正常品和殘次品，每種殘次品的檢測圖片至少包含一組以上。樣本庫中的樣本越多，學習效果越好，後續的檢測也會越準確。接下來ALFA軟體通過圖片樣本庫進行訓練學習，併產生檢測的參照模型，這個學習過程只需要不到

10分鐘，具體學習取決於電腦的硬體配置。最後即可將ALFA用於實際的檢測中。缺陷案例

圖2：缺陷檢測案例。

如圖2所示，軟體演算法通過一組有代表性的註釋影象，以及已知的好樣本進行自我訓練後，學習系統自動整合上下文資訊，形成一個可靠的形狀和紋理的模型，用於校對檢測。結果顯示，之前難以被識別的缺陷，都可以被準確地檢測到：撞擊和刮傷被視為異常，因為它們有一個紋理區域偏離了預期的設定值，即撞擊和刮傷面積超出了容忍偏差。粗糙金屬板表面缺陷檢查的關鍵挑戰之一，即它們是動態的，這與零部件的加工工藝流程或成形過程有直接關係。當零部件經歷了全部的生產步驟，其中部分表面被噴塗油漆，導致拋光表面成為鏡面反射光。如圖3所示，此時撞擊、汙漬和劃痕這些缺陷才變得可見，並且令人不安。汽車生產廠商完全不能接受這種缺陷產品。
然而，這種只能在工藝末端才能檢測到的缺陷，成本非常高昂。利用ALFA缺陷檢測模組，粗糙材料上典型的缺陷，可以通過任何標準照明和矩陣相機獲得的影象檢測和分類。訓練階段完成後，在一個標準GPU上計算其能在幾毫秒內可靠地識別缺陷，從而實現線上實時檢測。圖3：粗糙金屬板表面的撞擊、汙漬和劃痕檢測例項。


結果 & 效能強大的檢測：ALFA可以在生產過程的早期階段，可靠地對複雜紋理的表面、鏡面反射和可容忍範圍內的異常影象缺陷進行檢測和分類。自學習：檢測過程無需大量仔細調整和優化的檢測演算法，而是依賴於一個類似人類的方法——學習和應用，並且具有改進的測試一致性和可重複性。快速&簡單：整個學習具有代表性的圖片樣本庫的過程非常高效，其學習時間小於
15分鐘

聯絡人：熊先生電話：13763189292  

聯絡人：鄂先生電話：13790359393

網址：www.ai-alfa.com

相關推薦

ALFA深度學習軟體金屬外觀缺陷檢測應用

ALFA軟體使用神經網路演算法，模組化地解決機器視覺的各種問題，真正讓人工智慧走入機器視覺領域。ALFA讓每一臺自動化裝置有了大腦，有了像人一樣的學習能力，可以在不斷工作中積累經驗，越幹經驗越豐富，結果越來越精準，實現真正意義上的機器替代人，必將掀起新一輪的產業變革。利用AL

VIDI軟體在粗糙金屬表面缺陷檢測中的應用

2017年1月12日在中國汽車協會舉辦的資訊釋出會上，中汽協祕書長助理代表協會對2017年中國汽車市場作出預測：“2017年我國的汽車產銷量預計為2940萬輛，增速預計保持在5%左右。”在當天釋出的產銷資料中，2016年汽車銷量達2803萬輛。  中國汽車銷售市場

第三篇：基於深度學習的人臉特徵點檢測 - 資料集整理

https://yinguobing.com/facial-landmark-localization-by-deep-learning-data-collate/ 在上一篇博文中，我們已經下載到了包括300-W、LFPW、HELEN、AFW、IBUG和300-VW在內的6個數據集，初步估算有2

第五篇：基於深度學習的人臉特徵點檢測 - 生成TFRecord檔案

在上一篇博文中，我們已經獲取到了所有樣本的面部區域，並且對面部區域的有效性進行了驗證。當使用TensorFlow進行神經網路訓練時，涉及到的大量IO操作會成為訓練速度的瓶頸。為了加快訓練的速度，方便後期利用與復現，需要將所有用到的資料打包成為TFRecord檔案，一種TensorFlow原生支援的資

第二篇：基於深度學習的人臉特徵點檢測 - 資料與方法（轉載）

https://yinguobing.com/facial-landmark-localization-by-deep-learning-data-and-algorithm/ 在上一篇博文中，我們瞭解了人臉檢測與面部特徵點檢測的背景，並提到了當前技術方案存在特徵點位置不穩定的缺點，需要新的解決

第一篇：基於深度學習的人臉特徵點檢測 - 背景（轉載）

轉載自：https://yinguobing.com/facial-landmark-localization-by-deep-learning-background/ 人臉檢測與識別一直是機器學習領域的一大熱點。人臉檢測是指從影象中檢測出人臉區域。人臉識別則是判斷特定的臉部影象是否與某個人對應

金屬表面缺陷檢測

文章題目：《Automatic Metallic Surface Defect Detection and Recognition with Convolutional Neural Networks》 連結：https://pan.baidu.com/s/1W8r_gG3s2DIbAVgXV8

深度學習軟體平臺的演化

本文整理自袁進輝（老師木）代表OneFlow團隊在2017全球網際網路架構大會上海站做了《深度學習平臺技術演進》的報告以及機器之心線下技術分享 INTERFACE 第五期，袁老師為我們分析已有框架的優缺點，分享深度學習框架應該怎麼做的觀點。 觀點 計算力是

YOLO_Online 將深度學習最火的目標檢測做成線上服務實戰經驗分享

部分 YOLO 結果： YOLO_Online 將深度學習最火的目標檢測做成線上服務 第一次接觸 YOLO 這個目標檢測專案的時候，我就在想，怎麼樣能夠封裝一下讓普通人也能夠體驗深度學習最火的目標檢測專案，不需要關注技術細節，不需要裝很多軟體。只需要網頁就能體

第二篇：基於深度學習的人臉特徵點檢測

在上一篇博文中，我們瞭解了人臉檢測與面部特徵點檢測的背景，並提到了當前技術方案存在特徵點位置不穩定的缺點，需要新的解決方案。那麼，目前又有哪些方案可以用呢？ Github rocks! 在程式設計師眼中，Github恐怕是比微信還要重要的存在了吧！以“face lan

10道深度學習面試題，小夥伴檢測一下自己吧！

深度學習 1. 視覺計算任務有哪些，你怎麼分類 ? 我把任務分為畫素級別、目標級別、理解級別。 畫素級別的任務一般是傳統的影象處理任務，他們不需要用到影象的語義資訊，或者最多用到底層特徵（比如影象的邊緣、紋理），這些任務有影象增強、傳統的影象復原（如去噪、去模糊）、傳統的影象分

YOLO_Online 將深度學習最火的目標檢測做成線上服務實戰乾貨經驗分享

第一次接觸 YOLO 這個目標檢測專案的時候，我就在想，怎麼樣能夠封裝一下讓普通人也能夠體驗深度學習最火的目標檢測專案，不需要關注技術細節，不需要裝很多軟體。只需要網頁就能體驗呢。 在踩了很多坑之後，終於實現了。 效果： 1.上傳檔案 2

caffe深度學習【九】目標檢測 yolo v1的caffe實現 基於VOC2007資料集

        YOLO v1演算法原文的作者是在darknet框架下實現的， 原文作者的實現    ，這裡主要講的是caffe版本的YOLO實現，主要採用yeahkun寫的：點選開啟連結  其實只是步驟相對來說有點繁瑣，但是要跑通並不困難： 大致步驟包括： 1、編譯ca

深度學習【50】物體檢測：SSD: Single Shot MultiBox Detector論文翻譯

SSD在眾多的物體檢測方法中算是比較重要的。之前學習過，但是沒過多久就忘了，因此決定將該論文翻譯一下，以加深印象。 Abstract 我們提出了用單個深度神經網路進行物體檢測的方法，稱為SSD。在每個特徵圖中的每個位置，SSD將bbox（bounding

深度學習（四）——目標檢測演算法YOLO的訓練和檢測過程的基本思路介紹

      基礎知識掌握情況決定研究的高度，我們剛開始接觸深度學習時，一般都是看到別人的概括，這個方法很好能讓我們快速上手，但是也有一個很大的缺點， 知識理解的不透徹，導致我們對演算法優化時一頭霧水。我也是抱著知識總結的思想開始自己的深度學習知識精髓的探索，也希望能從中幫助到

SSD: Single Shot MultiBox Detector 深度學習筆記之SSD物體檢測模型

演算法概述 本文提出的SSD演算法是一種直接預測目標類別和bounding box的多目標檢測演算法。 與faster rcnn相比，該演算法沒有生成 proposal 的過程，這就極大提高了檢

深度學習【17】物體檢測：Focal Loss 反向求導及darknet上的實現

Focal Loss 反向求導及darknet上的實現 Focal Loss 可以解決不平衡分類問題，是在交叉熵損失函式上的擴充套件。詳見，論文：Focal Loss for Dense Object Detection。 該文，主要推導FL在softmax

【AI實戰】手把手教你深度學習文字識別（文字檢測篇：基於MSER, CTPN, SegLink, EAST等方法）

文字檢測是文字識別過程中的一個非常重要的環節，文字檢測的主要目標是將圖片中的文字區域位置檢測出來，以便於進行後面的文字識別，只

深度學習在CTR預估的應用

深度學習在各個領域的成功 深度學習在影象和音訊等方向比傳統方向有大的提升，導致很多產品能快速落地 第一行三張圖片代表圖片和音訊方向相比傳統提升30%-50%，第二行第一張代表深度學習在自然語言處理方面方向的應用(相比傳統學習方法有提升，但是提升效果有限)，後兩張代表生成式模型(生成圖片

深度學習在視訊行為識別中應用

深度學習在最近十來年特別火，幾乎是帶動AI浪潮的最大貢獻者。網際網路視訊在最近幾年也特別火，短視訊、視訊直播等各種新型UGC模式牢牢抓住了使用者的消費心裡，成為網際網路吸金的又一利器。當這兩個火碰在一起，會產生什麼樣的化學反應呢? 　　不說具體的技術，先上一張福利圖，該圖展示了機器對一個視訊的認