开发者实战 | 荣旭智能基于 Anomalib 打造智能光学字符瑕疵检测系统

点击蓝字

关注我们,让开发变得更有趣

文章作者：伍增  邓书梦  广东荣旭智能技术有限公司

1

AI 技术在外观瑕疵检测应用中的

挑战

人工智能 (AI) 技术作为“未来数十年”最先进的生产力代表之一，正在赋能各行各业。在智能制造领域，AI 技术被广泛应用于外观瑕疵检测，也称为 AI 工业质检。IDC 预计，2025年中国工业 AI 质检整体市场将达到9.58亿美元（约合人民币62亿元），2021-2025年 CAGR 为28.5%，如下图所示。

图片来源：https://www.idc.com/getdoc.jsp?containerId=prCHC49755922

在外观瑕疵检测领域，广东荣旭智能技术有限公司作为一家定制化 AI 视觉检测系统/一体化检测装备供应商，已耕耘了十多年，落地超过200多种 AI 质检设备，并将 AI 技术和行业应用经验集成到了图形化 AI 视觉开发平台中，通过零代码方式，快速落地 AI 质检设备。

了解广东荣旭智能技术（请复制链接到浏览器）：

https://www.gdrosmart.com/

https://www.gdrosmart.com/product_view_266_109.html

荣旭图形化 AI 视觉开发平台

在 AI 工业质检的实践中，即便应用了迁移学习，也需要在产线上对每种瑕疵收集几十张负样本。假定瑕疵A的发生率为0.1%, 为了收集50张瑕疵 A 的负样本，则需要等待50,000个产品制造出来，不仅难度大，而且耗时长，成本高。

收集满足迁移学习需求的负样本，已经成为 AI 瑕疵检测应用中的重大挑战之一。

当前，解决该挑战的思路主要有两个：

一种思路是应用 Zero-Shot Learning (零样本学习)技术，当前最火爆的计算机视觉 Zero-Shot, Learning 模型是 Meta 发布的 SAM 大模型，以及后续的改进系列，例如，FasterSAM、MobileSAM 等等。

另一种思路是应用无监督学习技术，即无需收集负样本，只需要学习少量正样本，便可以检测出异常样本。当前在 AI 工业质检中应用广泛的无监督异常检测深度学习库 Anomalib, 链接：

https://github.com/openvinotoolkit/anomalib。

本文将介绍基于 Anomalib 和英特尔开发者套件打造智能光学字符瑕疵检测系统。

2

项目背景与技术方案

印刷字符瑕疵检测是一个在制造线终检段的刚性需求，如下图所示，任何有字符瑕疵的产品都不能流出工厂。当前，行业中普遍采用的是 OCR、OCV 以及模板匹配的方式来识别，由于不同行业的产品表面都不一样，背景复杂多变，要准确提取并识别字符瑕疵存在一定难度，而且效率低，误判高，操作复杂。

字符瑕疵及检测结果

荣旭智能光学字符瑕疵检测系统，基于 Anomalib 工具包和英特尔开发者套件，搭载工业相机及工业镜头完成原型样机设计，如下图所示。

光学字符瑕疵检测原型样机

3

软件技术方案与实现

荣旭智能光学字符瑕疵检测系统的软件实现主要由三步实现：

1. 安装 Anomalib 和 OpenVINO^™

2. 训练正样本并导出 OpenVINO^™ 模型

3. 验证检测结果

第一步，安装 anomalib 和 OpenVINO^™，命令如下所示：

pip install anomalib
pip install openvino-dev

向右滑动查看完整代码

第二步，训练正样本并导出 OpenVINO^™ 模型。首先，请在 

datasets\MVTec\bottle\train\good 放置23张正常的 OCR 字符图片

然后，请在 

datasets\MVTec\bottle\test\good 放3张正常的 OCR 字符图片

接着，请在 

datasets\MVTec\bottle\test\contamination 放一张字符缺的 OCR 字符图片

并修改 

rc/anomalib/models/padim/config.yaml 文件，如下所示：

optimization:
  export_mode: "openvino" # options: openvino, onnx

向右滑动查看完整代码

修改之后，模型训练完毕后会直接生成 OpenVINO^™ 的模型。

最后，输入命令，等待训练完成：

python tools/train.py --config src/anomalib/models/padim/config.yaml

向右滑动查看完整代码

第三步，验证检测结果

训练完成后，在 

results\padim\mvtec\bottle\run\images\good下是 ok 图片的验证结果，正常的图片是没有误识别的，如下图所示：

在 results\padim\mvtec\bottle\run\images\contamination 下是我们放置的一个 NG 图片，结果如下：

可以看到，缺陷正常识别出来了

使用 OpenVINO^™ 实现推理程序，结果如下所示：

经过 OpenVINO^™ 优化后，该算法在 N5105 CPU 上运行速度大约200ms左右，iGPU 的运行速度大约100ms左右，完全满足大多数光学字符瑕疵检测的速度需求。

4

总结与展望

荣旭智能基于 Anomalib 打造光学字符智能解决方案，在保证检测效率可行的前提下，可以大大地降低收集负样本的成本，提升模型的训练和部署效率，对于 AI 二分类 (OK/NG) 应用多了一个更优的选择方案。

下一步我司将使用 OpenVINO^™ 的 NNCF 工具包，对 Anomalib 模型进行 INT8 量化，进一步提高在英特尔开发者套件上的推理速度，并将这套智能光学字符解决系统应用于磁芯元器件、IC 半导体、车载电子变压器等领域。

广东荣旭智能技术有限公司官网：

https://www.gdrosmart.com/

--END--

你也许想了解(点击蓝字查看)⬇️➡️ OpenVINO™ DevCon 2023重磅回归！英特尔以创新产品激发开发者无限潜能➡️ 5周年更新 | OpenVINO™  2023.0，让AI部署和加速更容易➡️ OpenVINO™5周年重头戏！2023.0版本持续升级AI部署和加速性能➡️ OpenVINO™2023.0实战 | 在 LabVIEW 中部署 YOLOv8 目标检测模型➡️ 开发者实战系列资源包来啦！➡️ 以AI作画，祝她节日快乐；简单三步，OpenVINO™ 助你轻松体验AIGC
➡️ 还不知道如何用OpenVINO™作画？点击了解教程。➡️ 几行代码轻松实现对于PaddleOCR的实时推理，快来get！➡️ 使用OpenVINO 在“端—边—云”快速实现高性能人工智能推理➡️ 图片提取文字很神奇？试试三步实现OCR！➡️【Notebook系列第六期】基于Pytorch预训练模型，实现语义分割任务➡️使用OpenVINO™ 预处理API进一步提升YOLOv5推理性能

扫描下方二维码立即体验 
OpenVINO™ 工具套件 2023.0

点击 阅读原文 立即体验OpenVINO 2023.0

文章这么精彩，你有没有“在看”？