工业质检-大恒图像.pdfVIP

AI及边缘计算在工业场景中的应用 李东平 中国大恒(集团)有限公司北京图像视觉技术分公司 AI改变视觉开发方式 缺陷 深度学习工作流程 l 训练模型 l 推理 l 采图 l 越来越好 l 标注 方便标注 统计、检查 深度学习功能 分类 检测 分割 边缘提取 异常检测 分类 农产品识别、分级 合格品检查 训练 ：过程可视化 验证结果可视化 ：误检率 ，漏检率 ，交互式混淆矩阵 网络结构可视 模型可视化 ：学到了什么 ？特征图 网络层 . . . apple 单张特征图 让深度学习不再黑盒 ：为什么 ？凭什么 ？什么在影响分类结果 ？ 分析图像中对分类结果影响比较大的区域 揭示可能影响分类类别的区域 鉴定对不相关特征的敏感程度 输出不同类别的热度图 ，帮助解决分错问题 同时推理和生成热度图 ，速度更快 增加可视化和透明化 应用 ：农产品分选 n 农产品分级 ：裂、烂、坏、变形 ，等各类缺陷 n 案例 ：大枣、板栗、粮食粒、香菇 ，等 工件合格品检测 n 对工件合格、不合格进行判断 n 对缺陷情况进行分类 n 样本数 ： 训练、验证、推理 热度图帮你看透模型 料带辊缺陷分类检测 ：多类 n 料带缺陷 ：料带缝隙、粘接、异物、污染、刮花、缠绕、撕裂、资材不良、盘裂等 n 图像变化 ：纸盒有顶面和底面 ，光照会变化 包装质量检测 ：程度分类 n 检测褶皱、亮斑、异物、亮边、45°折线、翘边等缺陷 n 多个拍摄位置和角度 ，多种品牌 n OK/ NG的区分标准不是 “有无”而是 “严重程度” 多模型推理 n 模型 ： 7个检测位 ，5个模型 ， 1张显卡 ，不同模型不同分辨率 n 图像 ：1个模型同时推理多张图像 推理多张图耗时变化曲线 25 20 15 10 5 0 1 2 3 4 5 6 7 8 缺陷样本太少怎么办 ？未知缺陷怎么办 ？只学正样本的异常检测 n 只学习好的样本 n 少量样本 n 无需标注 n 支持CPU训练、推理