Coovally质检应用案例 | 产品外观瑕疵检测

传统的人工方法检测产品表面划痕缺陷，可能会因为工人经验等主观因素，导致检测结果不一致和检测效率难以提升。采用机器视觉的方法可以对产品外观缺陷检测，快速且准确的识别划痕，大幅提高了生产线的效率，提高了产品的生产质量。

跑码地Coovally是一个包含完整AI建模流程、AI项目管理及AI系统部署管理的机器视觉平台，能够帮助用户快速批量验证多种机器学习和深度学习模型的性能，极大的降低AI模型工程化应用门槛；能够提供“打包自身的A I能力”，给业务人员使用，可实现“授人以渔”。

产品特色

·支持智能辅助标注，通过预识别系统，让算法先进行预识别，再根据结果进行人为调整，大幅度降低人力重复劳动，提升标注效率；

·支持图像增强、数据集标签转换等多种辅助工具。将用户从琐碎的工作中解放出来，  高效地完成特定任务的建模；

·以小时级的速度定制算法，开发效率可提升数10倍及以上。

与传统技术相比的优势

对比于传统检测技术，人工智能深度学习技术可以检测更多的瑕疵类型，拥有更高的准确率、鲁棒性和泛化能力，在产线中发现新的瑕疵类型时，可以更加快速、低成本的实现模型更新。

方案架构

方案构成及使用流程

用户在Coovally官网点击【免费试用】填写基本信息，等待或主动添加Coovally小助手微信，Coovally将针对用户需求进行方案落地。方案的落地过程包括模型建立、补充训练、集成落地、持续优化等几个阶段。

模型建立：用户提供产品现有瑕疵样例图片，通过Coovally训练建立专属的模型；

补充训练：如果模型的识别效果不佳，用户提供补充训练图片进行模型优化；

集成落地：针对产线制定配套方案；

持续优化：对于运行中新出现的瑕疵类型，可进行更新。

应用场景

 键盘外观检测：在制造和组装键盘流水线中，自动识别键盘组装后的合格性，包括缺件、错装、正常三类。

木地板外观检测：在生产线上自动检测木地板的外观瑕疵，包括毛面、棘爪、腐朽、虫眼等瑕疵。

工业喷油嘴检测：在生产线上自动检测工业喷油器阀座的外观瑕疵。

纺织品针检检测：在鞋、帽、箱包等纺织品产品进行检针的过程中，对X光拍照结果进行自动识别，检测断针、金属小物件等异物。

塑料瓶检测：对医药、食品、日化等各类包装塑料瓶在生产线上进行自动检测，包括污点、划痕、裂缝、标签错位和歪斜等外观缺陷。

应用效果

可以与企业现有产线集成，实现对最终产成品、中间过程产品、原材料等环节的质量自动检测，取代现有人工质检操作，打通全产线自动化流程，提升质检和生产效率。