在產品質量外觀檢測的世界里,人眼只能辨別那些大于 0.5 毫米大小的瑕疵還伴著巨大的誤判風險。隨著工作時間的延長,眼睛的疲勞和衰老更加增加了誤判的風險。而傳統的機器視覺檢測在圖像處理和瑕疵定位等方面有所欠缺,導致瑕疵檢測的準確率低,性能不穩定,而且對于流水線實現智能自動檢測非常有難度。由此可見,無論是傳統的機器視覺檢測,還是“肉眼”檢測產品外觀質量的能力和效率以及準確率和范圍都是非常有限的。
深度學習的思想源自于“人工神經網絡”,從大腦中汲取靈感,模擬人腦分析問題機制并建立分析學習的神經網絡。神經網絡的基本構建模塊是人工神經元-模仿人類大腦神經元。正如大腦數十億個神經元神經元分布在神經網絡的幾個層中,之間有數萬個連接,深度學習模型涉及大量的計算單元,它們彼此交互時對所建模數據潛在分布的多層表征進行自主學習。
為了契合日趨嚴苛的高效高標準瑕疵檢測需求,海克斯康自主研發基于深度學習的Proxima瑕疵檢測軟件系統,解決客戶在產品表面瑕疵檢測環節遇到的各種問題。
Proxima 可檢測的主要瑕疵類型有:
劃痕 刀痕 崩缺 氣泡 凸起 凹痕 擦傷 雜質 變形 崩邊 白點 條紋 黑點 皺縮 波紋 裂紋
Proxima軟件的特性
訓練快速,結果精確
Proxima 在訓練的過程中,通過多層神經網絡層比如卷積神經網絡,循環神經網絡,深度神經網絡,長短期記憶網絡等高效地對學習模型進行訓練并且將訓練速度進行優化。因此,Proxima 的智能瑕疵檢測率高達95% 以上并具有靈活的的多功能擴展性。
性能穩定,高效
Proxima 在學習的過程中,通過評估提取目標,特征分析以及分類模型的迭代來優化檢測的穩定和效率。Proxima 集圖像處理,特征識別,多種深度學習建模以及其他高科技于一身,這使得Proxima 在圖像特征的識別能力和穩定性是其他機器視覺檢測系統無可媲美的。
訓練模型,方法多元化,應用性廣泛
Proxima 可根據訓練集評估,生成可應用的高效學習模型。Proxima 通過切換多種自主研發的機器學習模型,使得訓練高效并且結果輸出穩定。目前Proxima 已廣泛投入到3C 行業(電子,通訊和消費品)瑕疵檢測中。汽車行業,航空航天零部件和裝配件上也是Proxima 馳騁的領域。
結果輸出迅速且可視化
Proxima 的結果報告輸出非常迅速,結果報告不僅含瑕疵的定位,形狀,尺寸以及分類等,還包含了統計信息等。用戶可直接打開報告并快速預覽報告。
操作簡單易上手
Proxima 研發團隊無論是在軟件的操作還是界面的設計,都遵循簡單易上手的設計理念,以便大部分的用戶無需進行復雜的培訓就可上手。Proxima 的軟件界面遵循微軟辦公的標準設計。操作流程上只需“標注,訓練,檢測,”三步即可出結果。
內置算法且適用性強
Proxima 支持多種圖片預處理的高級算法,卷積神經模型等機器學習模型和結果的統計分析。Proxima 可通過標準的網線傳輸TCP/IP 協議與其他廠商的測量設備比如X-Ray 所拍攝的照片進行瑕疵檢測。
區別于其他傳統的缺陷檢測方式,海克斯康的的Proxima瑕疵檢測系統只需要少量的瑕疵圖片就可在短時間內進行大規模的訓練。而且采用GPU專用處理算法,大幅提升檢測效率,以及通過基于深度學習的檢測算法,可以提高準確度,降低漏檢率和過殺率。
不僅僅是瑕疵檢測…
Proxima將軟件瑕疵檢測與尺寸檢測合二為一,解決用戶瑕疵需求的同時也解決用戶尺寸的檢測需求。這項功能可謂是一舉兩得,減少了大量的時間和投資成本,提升了產品質量的同時也驅動產量的提升。
Proxima的優勢
Proxima 聚焦于產品外觀瑕疵檢測,相比于人工視覺檢測和傳統的機器視覺檢測,這雙慧眼具有以下不可比擬的優勢:
圖像分析:
人工檢測/傳統機器視覺:無法分析無規律的圖像
Proxima:利用深度學習的算法對瑕疵進行學習, 提取,分析,無規律圖像變成可分析
準確率:
人工檢測/傳統機器視覺: 準確率無論是人工和傳統機器都偏低,易出現誤判
Proxima:通過深度學習算法,高級圖像處理, 模式識別等提高了檢測的精準度高達95%
自動化:
人工檢測/傳統機器視覺:實現流水線上的檢測自動化圍墻高
Proxima:檢測瑕疵的同時,可在線實現尺寸檢測,實現瑕疵 + 尺寸檢測的自動化