工业质检如何以“智”取胜？15分钟上手工业零部件检测全流程方案
工信部联合国家发展改革委、教育部、科技部等部门发布了十四五智能制造发展规划。规划中提出：到2025年70%规模以上的制造业企业基本要实现数字化网络化，建成500个以上引领行业发展的智能制造示范工厂。
制造业离不开质检
质检需要AI智能化赋能
制造业企业生产效率、良品率、能源利用率等要明显提升。其中提到的生产效率和产品良品率是与工业质检息息相关的，而AI质检的加入也在这场智能制造发展趋势下被寄予厚望。
质检对于制造企业来说是非常重要的一个环节，眼睛里能看见的产品都是通过了质量检测。而每个产品的内部都包含了各种金属零部件，这些金属零部件也是需要质量检测的。
当然，针对这些产品的质检标准和方式在每个行业都不一样。我们今天的分享将聚焦到质检中的细分领域：金属零部件的外观质量视觉检测。
首先，大家可以看下图，来自部分用户寄来的金属零件样本：切割机压板、金属序列号。针对这些零件，工厂的诉求都是要对其外观瑕疵进行视觉检测。
那么传统常规的质检方式是怎样的呢？
方法一：人工视觉检测
依靠人工的方式存在几个问题：检测标准不统一，每个人的检测结果也会有差别，不可能复制； 劳动强度大，工人很容易产生视觉疲劳，从而导致误检/漏检率上升。同时也可能会有工人操作安全隐患； 人工质检的培训成本很高，周期长，每一次的培训结果也不可能复制。假如陆续要100个质检岗位，就预示着需要培训100次。
方法二：传统机器视觉检测
这种方法只能解决一些特定的问题。如果是在特征装备场景比较复杂的情况下，或者金属反光零件表面检测这类情况，传统机器视觉检测的漏检率就不好控制了。而且传统视觉检测的整个部署周期比较长，成本也是很多工厂承担不起的。
在走访过的几十家工厂车间后，能够直观地了解到，每一个工厂的构建是有差异的，而且质检的内容和标准也是各不相同。如果针对每家产品成立算法团队去进行模型训练，算法工程师完全不够用，且人力成本也是一笔不小的投入。
但如果使用飞桨EasyDL零门槛AI开发平台进行AI模型搭建，工厂的普通技术工人就能胜任，面向零算法基础人群、简单易上手。接下来，我们从具体几个金属零部件视觉质检案例，进一步了解AI质检。
飞桨EasyDL工业质检
案例展示
金属零部件具备一些特点，比如：反光、有电镀层、正反面识别、复杂金相识别等。但这些特性在飞桨EasyDL视觉检测中，恰恰不用担心。
以下图为例，这是一家检测螺纹口的公司提供的样本。可以看到螺纹口由于磨损或润滑不够导致有拉丝或疤痕的状态。同时由于螺纹口本身尺寸不大，与一毛钱硬币相比还要小几分，因此如果通过肉眼观察，很难分辨出哪一个是合格或不合格。
螺纹口样本
根据样本特征进行采集，并使用飞桨EasyDL针对零件进行AI检测模型创建，标注出哪些样本为合格，哪些是不合格。
标注瑕疵
标注后在飞桨EasyDL平台进行训练并最终部署到边缘计算模块。如果出现蜂鸣和红灯提示，说明这个零件是不合格的，如果绿灯亮起，说明这个零件是合格的。
检验效果
如何建立以飞桨EasyDL为核心的AI质检系统，仅需几步即可完成。首先是样本分析采集，其次是基于飞桨EasyDL的深度学习模型训练，最后再到边缘计算的部署。大家可以发现，AI质检系统中不仅需要核心算法，还需要很多的硬件支撑，彼此相辅相成。接下来详析带大家拆解步骤。
第一步：样本采集
将部分模拟量转换成可以量化的数字量。比如，这些金属零件上的划痕、瑕疵，或者是零件装配上的位置信息等，都需要将这些信息采集之后传达飞桨EasyDL。初始数据采集的准确性直接影响到后面模型训练的准确度。在这里就要提到一个很重要的配件，即样本采集用的镜头，它就相当于飞桨EasyDL在真实生产流水线上的智能眼睛。采用什么样的镜头，也就意味着让AI能看到什么样的内容。这里有两个关键点：如何操作镜头以及如何为样本匹配一个合适的镜头。
先说操作镜头。针对AI质检选取的都是工业专用的镜头，其使用逻辑和原理与日常摄影镜头并无二致。因此我们需要了解一些摄影相关技术，如：焦距、变焦、定焦、微距、快门、光圈、感光度、噪点等，都属于摄影的基础知识。这些知识对样本采集起到很好的辅助作用，毫不夸张地说：成功的AI样本采集是从一张信息准确且直观的照片开始。
熟悉镜头操作后，就需要给实际样本匹配镜头。从样本大小、远近、位置和运动的模式等方面综合考虑。比如我们上面提到的螺纹瑕疵，可以选择微距，从而让瑕疵很快被镜头捕捉到。样本取样中需要争取每个角度都有侧重，甚至要关注不同光线下的样本选取。
第二步：样本标注
在数据准备完成后导入飞桨EasyDL进行标注，在这里需要注意标签和标注的重点。标签
标签是围绕着样本要表达的信息和实际部署场景展开的。比如外壳的划痕检测，工厂要求一旦出现划痕就视为不合格，或者是装配位置有一个螺丝，也视为不合格。所以在建立标签的时候，一定要按照实际的质检需求和流程设定标签。标注
标注也是飞桨EasyDL中非常重要的环节，需要将图像中涉及的瑕疵全部准确框定标注。利用平台提供的自动标注、纠错、评估报告等反复确认标注信息的准确无误。在这里提到评估报告中的maP值，有98%、99%这样的数值体现，这是深度学习领域里面衡量模型效果的指标。98%并不是说有2%的错误率，需要结合评估报告了解详情。
准确的标注对模型效果至关重要
第三步：模型部署
训练好的AI模型需要部署到边缘计算模块或者叫边缘计算相机。本次案例中使用到到的边缘计算相机是集成度很高的产品“辨影”，部署简单且接口丰富。在飞桨EasyDL中训练好的模型通过多种方式可直接部署到辨影中，整个部署过程中不需要再编写任何代码。辨影本身自带高灵敏度的液晶触摸屏，在不用外接显示器的情况下就可以对模型进行管理，比如：图像的自动拍照、采样以及各种调节等，且内置了蜂鸣器，可对效果验证给到提示。在接口方面包含了现在大部分的常用输入和输出接口，支持多种触发方式和信号输出。也可以外接摄像头或各种视频信号，也可以连接到PLC、单片机、网站、服务器和手机APP等。
边缘计算模块（辨影）工作流程图
最终通过边缘相机验证模型检验效果。到这里就完成了用飞桨EasyDL进行AI质检模型训练过程。
哪些质检项目
适合用AI来完成检测呢？
那么，哪些质检项目适合用AI来完成呢？
「如果能够一眼看出来的区别和变化，就可以尝试使用AI来完成」
这是一个简单直接的判断方式，当然，产业用户更多分布在汽车、金属加工、3C电子等领域，这类用户对自动化及AI的理解更多面一些。
除此之外，手工生产产品的AI质检领域也非常广阔。虽然目前我国正在进行产业转型，但仍然有大量工厂依赖人工生产及质检。一个工人一天要手工挑选上万件产品，比如一根USB线，注塑完后有没有问题，压铸有没有问题，都是在靠人工检查。又或者是拉锁的识别，需要检查拉锁是否有缺齿，这些都占据工人大量精力。应用AI减少重复性劳动、提升质检效率，并且能够高标准确保品控。
总结一下，飞桨EasyDL的部署在工业质检上有如下三点优势：
人员成本低 操作学习成本低 部署场景要求低
AI技术的加持，正在加速车企的数字化转型。数字化转型是汽车零部件制造企业的“刚需”还是“可选项”？AI如何更好地与企业业务结合？企业如何通过模型算法生成高效可执行的生产效能？疫情之下，汽车零部件制造企业如何“拥抱变化”？6月15日，一起来寻找答案。
扫码加入课程交流群
课程详情
来源：百度飞桨，先进制造业公众号推荐阅读，版权归原作者所有，转载请注明。但因转载众多，无法确认真正原始作者，故仅标明转载来源。本文所用视频、图片、文字如涉及作品版权问题，请第一时间告知，我们将根据您提供的证明材料确认版权并按国家标准支付稿酬或立即删除内容！本文编辑：微明
投稿及商务合作：13386409839（同微信）
微信号：amdaily
长按识别二维码即可关注