制造業(yè)離不開質檢。我們目之所及的產品，都是經過工業(yè)質檢環(huán)節(jié)才順利
各行各業(yè)對質檢的需求旺盛
質檢由于精細度要求高，占到工廠總人力成本的40%。舉例來說，工業(yè)質檢中的軸承瑕疵檢測目標，可能是個小劃痕，也可能是小缺口。這種情況下，瑕疵視覺感官并不直觀。在整個人力檢測過程中，耗時多、人力投入高。而質檢效率直接影響到企業(yè)生產以及交付效率。因此，工業(yè)質檢的智能化賦能已經成為節(jié)省成本，提高產能的必然趨勢。
工業(yè)質檢方向，經歷三個過程的演變：
從上圖可以看到，在深度學習階段，可以逐步解決缺陷形態(tài)復雜、環(huán)境復雜的目標，可解決的范圍更大，覆蓋的場景更多。但深度學習使用門檻較高，在AI開發(fā)階段，對原始數據的要求更高，對開發(fā)人員的要求也更高。
那么，有沒有一個簡單上手同時確保高效質檢的方法呢？
汽車零部件AI質檢痛難點
本期案例企業(yè)來自于工業(yè)軸承質檢方向的解決方案提供商——韋士肯，在軸承質檢方向有很深的業(yè)務場景及技術積累；但在AI算法領域，缺少足夠深的技術沉淀。在智能化賦能過程中，企業(yè)遇到的缺陷檢測問題，主要包括內部材質檢測、尺寸/形位檢測及外觀缺陷檢測。
缺陷類型及企業(yè)
內部材質檢測：包括材料成分、氣孔及硬度檢測，當前主要用到的技術是EM電磁技術及超聲波技術做相關檢測；
尺寸/形位檢測：如檢測軸承的直徑、高度以及壁厚是否達到要求，當前是通過3D激光以及微磁場技術做檢測；
外觀缺陷檢測：包括表面的劃痕、磕碰、內部的銹跡。傳統的機器視覺暫時無法解決相對不規(guī)則的問題，包括缺陷的定位，通常都是依賴人工檢測。
該企業(yè)前期也嘗試過組建算法團隊做AI開發(fā)，解決檢測智能化問題，但組建算法團隊所需的算法人員、投入研究過程的時間成本、AI訓練需要投入的服務器等機器成本累加起來，預估達到百萬級。該企業(yè)的核心訴求是希望能夠降低前期探索階段的投入，利用AI賦能外觀缺陷檢測場景，從而提高整體質檢環(huán)節(jié)的效率，以上是該企業(yè)用戶的需求背景。
作為一家深耕軸承質檢多年的解決方案提供商，他們在智能化轉型的過程中遇到了以下主要問題：
首先，如何降低業(yè)務探索階段的成本投入？
第二，如何對瑕疵缺陷做到精確的標注，從而提供高質量的訓練數據？
第三，如何收集到各種瑕疵缺陷的數據，彌補缺陷樣本少的痛點？
第四，如何適配各種硬件，簡單高效完成部署工作？如何保證預測效率？
那么該企業(yè)用戶是如何通過飛槳EasyDL逐一解決問題，并獲得高收益的呢？
基于飛槳EasyDL打造的
成品軸承視覺檢測解決方案
首先，針對汽車軸承的缺陷進行分析，從而初步確定需要應用飛槳EasyDL哪一類模型。
結合缺陷特點，選擇適用的任務類型
基于缺陷分析確定使用飛槳EasyDL物體檢測及圖像分割模型。接下來圍繞端面的缺陷檢測著手數據準備→模型訓練→模型部署。
數據準備
待檢測的瑕疵缺陷過小，標注難度大，同時標注數量大，人力成本高。在飛槳EasyDL的標注界面上，提供很多放大或縮小工具們對于缺陷較小的目標物，可以按需縮放從而進行精準標注。如下圖：
而面對數據量大的情況，可采用智能標注功能。少量標注后啟動智能標注，可對已標注好的圖片進行智能分析，進而將剩余圖片進行一鍵標注。以該企業(yè)為例，200張圖片手動標注用時3小時，剩余600張圖片智能標注僅耗時1小時。
模型訓練
部分瑕疵缺陷的樣本量少，如何提升數據利用率？借由飛槳EasyDL的數據增強功能，可將一張圖片衍生多張圖片，提高數據利用率。同時，通過自動超參搜索策略，完成相對復雜場景數據訓練的利用率，同時可以產出基于這個場景最優(yōu)的參數組合，達到更高的模型精度。如果目標檢測物過小，可以選擇小目標檢測算法。該企業(yè)在該場景中，選擇800張缺陷圖片，無代碼訓練出精確率達90%的可用模型。
模型部署
企業(yè)遇到的問題是整體預測時延會直接影響到質檢效率。使用EasyDL提供的模型加速功能，在精度無損的情況下壓縮模型體積，降低預測時延。該企業(yè)將模型壓縮后部署在T4服務器上，單圖片預測可在100ms內完成。
同時，飛槳EasyDL產出的模型硬件適配廣泛，通過平臺一鍵導出適配主流硬件的SDK包完成模型部署。對于企業(yè)來說，不需要再去額外做硬件工作的適配，
最終，該企業(yè)打造了基于飛槳EasyDL的成品軸承視覺檢測解決方案。基于飛槳EasyDL機器學習檢測算法，使用工業(yè)相機對產線上的軸承進行圖片拍攝，通過傳感器獲取軸承的幾何參數繪制成圖像，生產現場的服務器進行圖像分類和檢測，判斷軸承的外觀質量是否符合要求，可檢測軸承的擦傷、磕碰傷、磨傷、削料、銹蝕等瑕疵。
進階攻堅
金屬零部件質檢方案解析
看完上述汽車零部件質檢案例，你是否也對AI質檢有了更為具象的理解。我們把質檢問題升級：如果目標檢測物是金屬或玻璃等易反光物體，這種情況下質檢的精度和效率如何保證？如何避免無效數據（反光嚴重、曝光高）的收集？
本期飛槳EasyDL-工業(yè)金屬零部件瑕疵質檢案例課程，特邀資深產業(yè)專家，深度剖析AI質檢在數據采集鏡頭選型/反光數據處理/標注等痛難點。帶大家全流程了解AI質檢實現路徑，讓AI質檢，一步到位。