自动外观缺陷检测一直是一项具有挑战性的任务。过去，计算机视觉需要几个月的编码和调试。然而，有一种更有效的方法可以通过深度学习来解决机器视觉问题。现在，这些智能机器可以学习如何使用基于人类学习的示例训练来识别缺陷。

      深度学习技术利用神经网络模拟人类的智能，在容忍复杂模式自然变化的同时，也区分了整容异常。基于深度学习的系统擅长检查复杂的表面和外观缺陷，如光滑、光亮或粗糙零件上的划痕和凹痕。智能检测技术在提高生产率、可重复性和生产率方面取得了成功。麦肯锡表示，如果制造商使用的图像识别技术进行视觉检查和检验，生产率可能会提高50%。与人工检测相比，基于人工智能或人工智能的图像识别可以将缺陷检测率提高高达90%。

　　人工智能、机器学习和深度学习的定义

　　智能机器的智能化取决于人工智能——机器学习或深度学习的类型。这些术语通常可以互换使用，但技术不同。

　　在高层次上，人工智能是一个通用领域，旨在模仿人类推理能力，利用软件使机器变得智能。机器学习使用算法从数据中发现模式并产生见解。机器学习使用深度学习、回归分析、贝叶斯网络、逻辑规划和聚类技术将人工智能应用于系统。

　　深度学习是机器学习的一个分支，它通过创建人工神经网络(ann)来模拟人脑中的神经网络。就像人脑解决问题一样，软件接受输入，处理输入，产生输出。这种方法使用由训练程序调整的权重来教神经网络如何正确响应输入。因此，更多的重复教学使人工神经网络更强大，从而更好地识别或预测。这就像一个孩子学习识别字母表或乘法表。

　　在工厂部署自动缺陷检测

　　越来越需要检测消费电子和医疗设备中的微米缺陷。与测量特定零件位置的计量学不同，缺陷出现在多个位置和组合中。例如，智能手机可能在许多地方有划痕、凹痕和缺口，包括外壳、曲面和盖板玻璃。制造商需要加工整个零件来捕捉这些缺陷。

　　深度学习在医疗器械制造中也有一些应用。可以发现股骨和膝关节假体的划痕等缺陷，可以检查三种器械的包装和密封情况。深度学习愿景还确保在组装验证期间，所有组件都存在于包装中，例如外科手术套件中的零件。除了缺陷检测之外，深度学习往往可以对缺陷类型进行分类，实现闭环过程控制。在训练深度学习系统时，重要的是创建样本图像的数据集来构建和训练模型，从每个缺陷的30到50个图像开始，具有相同数量的好零件。然后，您可以添加一个新图像来反映错误的拒绝和接受情况。通过定义一系列零件、材料和缺陷类型，制造商可以强调训练集的可变性。还建议由两名人类对图像进行独立分级进行验证，并确认其判断的一致性。通常每个缺陷需要一周的时间来训练模型。

　　在选择图像来训练系统时，垃圾输入和垃圾输出的概念非常重要。在预期的光照和光学条件下，收集好的和坏的图像数据集是理想的。捕捉困难表面的高对比度图像，如玻璃和镜面纹理颜色材料，需要定制的照明技术、成像和零件操作。

　　与右侧的高分辨率图像相比，左侧低对比度图像中的缺陷难以检测。

　　低质量的图像使得软件和人工评分者都难以训练，这导致分类和可重复性问题。为了尽量减少假阴性和假阳性，尽量使用5到10像素的高对比度图像来描述的缺陷。例如，在检查智能手机上的划痕时，机器视觉将被放大，以聚焦分辨率水平为5微米的图像。拥有高质量的图像可以帮助分类员验证图像，并帮助软件识别划痕缺陷和可接受的加工痕迹之间的差异。

　　当深度学习视觉系统准备进行量产检测时，请考虑使用两层检测方法。在第1层，所有零件都使用具有深度学习机器视觉的自动检查。然后在第2层手动确认所有有边界缺陷零件的结果。这为深度学习系统的增量训练改进提供了可靠性和冗余性。

　　基于深度学习的图像分析无论是用于特征定位、读取、检测还是分类，都是一种快速灵活的提高零件质量的方法。