VIDI软件在粗糙金属表面缺陷检测中的应用

• 
  

  

  2017年1月12日在中国汽车协会举办的信息发布会上，中汽协秘书长助理代表协会对2017年中国汽车市场作出预测：“2017年我国的汽车产销量预计为2940万辆，增速预计保持在5%左右。”在当天发布的产销数据中，2016年汽车销量达2803万辆。

   中国汽车销售市场连年火爆，自主品牌实力不断增强，对汽车整车及零部件的质量检测与管控都提出了极高的要求。只有不断提高产品质量，才能保证在竞争激烈的市场中占有一席之地。而在汽车行业检测中，纹理金属的表面缺陷检测具有极其重要的地位，因为大到整车车身，小到轴承、螺纹孔位等，都遍布着纹理金属的影子。

  粗糙金属表面检测的挑战

  

  图1：汽车行业现场示意图

   检测汽车行业中的粗糙金属零部件的质量，主要面临着以下挑战：

  • 由于粗糙的表面和明显的纹理，在生产早期阶段产生的撞击、刮伤和污渍很难被检测出来。

  • 材料表面正常的形变和不显著的异常应该处于容许范围内，不应当被当成残次品而报错。 

  • 污渍和伤痕在不同照明条件下所呈现的差异不同 。

  ---

   VIDI是第一款致力于工业图像分析、可以深度学习并可以做用前准备的软件。VIDI套件是一款基于科学的机器学习算法、可实地测验的可靠软件解决方案，被喻为机器视觉行业的阿尔法狗。它可以解决程序检查及分类等不太可能完成的挑战。这为机器视觉应用领域中的诸多挑战提供了一个强大、灵活、明确的解决方案。VIDI套件主要包含VIDI blue、VIDI red和VIDI green三种不同的工具，各自的详细功能及特性简介如下：

  

  功能定位 & 自动识别

   VIDI蓝色工具，能在一张图片中寻找和定位一个或多个特征。它具有强大的改变自身特性的能力，能适应大多数嘈杂环境（OCR）或复杂的对象。这款蓝色工具能通过学习带有特征注释的图片，来定位和识别复杂的特征和目标。

   训练使用VIDI蓝色工具，您只需要提供标记了目标特性的图片。

  

  分割 & 缺陷检测

   VIDI红色工具，用来检测异常现象以及一些审美上的缺陷。例如装饰物表面的划痕，不完整的衣片，甚至是在纺织物的织造问题上，这款红色工具都能通过学习对象正常情况下的外观，包括重要的、可允许的变化，来识别这些问题，甚至其他更多问题。 VIDI红色工具也可以用来分割一些特定区域，例如有缺陷的部分或感兴趣区域。 无论是医疗用织物还是饰带的裁剪区上的特定异物，这款红色工具都能通过学习目标区域的不同外表，轻易识别。

  

  目标 & 事件分类

   VIDI绿色工具，用来分类一个对象或者一个完整的场景。无论是通过检测包装来完成对产品的识别、对焊接接缝的分类，还是对可接受的和不可接受的缺陷的分离，这款绿色工具都可以通过对标签图像的采集，来学习如何将不同类型的图像分离开来。

   训练使用这款绿色工具，您只需要提供按照不同种类进行分配、贴标的图片。

  ---

  2016年年底，阿尔法狗升级版Master横扫60多位围棋大师，创造了人工智能的新神话，成为街头巷尾热议的话题。

   同年源自瑞士的人工智能深度学习软件VIDI，也针对机器视觉行业做了产品升级，发布了VIDI 2.0的版本。VIDI和阿尔法狗一样使用神经网络算法，模块化地解决机器视觉的各种问题，真正让人工智能走入机器视觉领域。VIDI让每一台自动化设备有了大脑，有了像人一样的学习能力，可以在不断工作中积累经验，越干经验越丰富，结果越来越精准，实现真正意义上的机器替代人，必将掀起新一轮的产业变革。

   利用VIDI红色模块工具的管理模式和VIDI绿色模块的自动化检测与分类，将会使汽车行业的金属零部件检测变得非常简单。

   首先需要收集大量的零部件检测图片做为学习样本库，其中包括正常品和残次品，每种残次品的检测图片至少包含一组以上。样本库中的样本越多，学习效果越好，后续的检测也会越准确。

   接下来VIDI Suite通过图片样本库进行训练学习，并产生检测的参照模型，这个学习过程只需要不到30分钟，具体学习取决于电脑的硬件配置。

   最后即可将VIDI用于实际的检测中。

   

  缺陷案例

  

  图2：缺陷检测案例

   如图2所示，软件算法通过一组有代表性的注释图像，以及已知的好样本进行自我训练后，学习系统自动集成上下文信息，形成一个可靠的形状和纹理的模型，用于校对检测。结果显示，之前难以被识别的缺陷，都可以被准确地检测到：撞击和刮伤被视为异常，因为它们有一个纹理区域偏离了预期的设定值，即撞击和刮伤面积超出了容忍偏差。

   

  粗糙金属板

  表面缺陷检查的关键挑战之一， 即它们是动态的，这与零部件的加工工艺流程或成形过程有直接关系。当零部件经历了全部的生产步骤，其中部分表面被喷涂油漆，导致抛光表面成为镜面反射光。如图3所示，此时撞击、污渍和划痕这些缺陷才变得可见，并且令人不安。汽车生产厂商完全不能接受这种缺陷产品。

  然而，这种只能在工艺末端才能检测到的缺陷，成本非常高昂。利用VIDI红色模块，粗糙材料上典型的缺陷，可以通过任何标准照明和矩阵相机获得的图像检测和分类。训练阶段完成后，在一个标准GPU上计算其能在几毫秒内可靠地识别缺陷，从而实现在线实时检测。

  

  图3：粗糙金属板表面的撞击、污渍和划痕检测实例

   

  结果 & 性能

  • 强大的检测：VIDI可以在生产过程的早期阶段，可靠地对复杂纹理的表面、镜面反射和可容忍范围内的异常图像缺陷进行检测和分类。

  • 自学习：检测过程无需大量仔细调整和优化的检测算法，而是依赖于一个类似人类的方法——学习和应用，并且具有改进的测试一致性和可重复性。

  • 快速&简单：整个学习具有代表性的图片样本库的过程非常高效，其学习时间小于30分钟。

• 
  

  

  2017年1月12日在中国汽车协会举办的信息发布会上，中汽协秘书长助理代表协会对2017年中国汽车市场作出预测：“2017年我国的汽车产销量预计为2940万辆，增速预计保持在5%左右。”在当天发布的产销数据中，2016年汽车销量达2803万辆。

   中国汽车销售市场连年火爆，自主品牌实力不断增强，对汽车整车及零部件的质量检测与管控都提出了极高的要求。只有不断提高产品质量，才能保证在竞争激烈的市场中占有一席之地。而在汽车行业检测中，纹理金属的表面缺陷检测具有极其重要的地位，因为大到整车车身，小到轴承、螺纹孔位等，都遍布着纹理金属的影子。

  粗糙金属表面检测的挑战

  

  图1：汽车行业现场示意图

   检测汽车行业中的粗糙金属零部件的质量，主要面临着以下挑战：

  • 由于粗糙的表面和明显的纹理，在生产早期阶段产生的撞击、刮伤和污渍很难被检测出来。

  • 材料表面正常的形变和不显著的异常应该处于容许范围内，不应当被当成残次品而报错。 

  • 污渍和伤痕在不同照明条件下所呈现的差异不同 。

  ---

   VIDI是第一款致力于工业图像分析、可以深度学习并可以做用前准备的软件。VIDI套件是一款基于科学的机器学习算法、可实地测验的可靠软件解决方案，被喻为机器视觉行业的阿尔法狗。它可以解决程序检查及分类等不太可能完成的挑战。这为机器视觉应用领域中的诸多挑战提供了一个强大、灵活、明确的解决方案。VIDI套件主要包含VIDI blue、VIDI red和VIDI green三种不同的工具，各自的详细功能及特性简介如下：

  

  功能定位 & 自动识别

   VIDI蓝色工具，能在一张图片中寻找和定位一个或多个特征。它具有强大的改变自身特性的能力，能适应大多数嘈杂环境（OCR）或复杂的对象。这款蓝色工具能通过学习带有特征注释的图片，来定位和识别复杂的特征和目标。

   训练使用VIDI蓝色工具，您只需要提供标记了目标特性的图片。

  

  分割 & 缺陷检测

   VIDI红色工具，用来检测异常现象以及一些审美上的缺陷。例如装饰物表面的划痕，不完整的衣片，甚至是在纺织物的织造问题上，这款红色工具都能通过学习对象正常情况下的外观，包括重要的、可允许的变化，来识别这些问题，甚至其他更多问题。 VIDI红色工具也可以用来分割一些特定区域，例如有缺陷的部分或感兴趣区域。 无论是医疗用织物还是饰带的裁剪区上的特定异物，这款红色工具都能通过学习目标区域的不同外表，轻易识别。

  

  目标 & 事件分类

   VIDI绿色工具，用来分类一个对象或者一个完整的场景。无论是通过检测包装来完成对产品的识别、对焊接接缝的分类，还是对可接受的和不可接受的缺陷的分离，这款绿色工具都可以通过对标签图像的采集，来学习如何将不同类型的图像分离开来。

   训练使用这款绿色工具，您只需要提供按照不同种类进行分配、贴标的图片。

  ---

  2016年年底，阿尔法狗升级版Master横扫60多位围棋大师，创造了人工智能的新神话，成为街头巷尾热议的话题。

   同年源自瑞士的人工智能深度学习软件VIDI，也针对机器视觉行业做了产品升级，发布了VIDI 2.0的版本。VIDI和阿尔法狗一样使用神经网络算法，模块化地解决机器视觉的各种问题，真正让人工智能走入机器视觉领域。VIDI让每一台自动化设备有了大脑，有了像人一样的学习能力，可以在不断工作中积累经验，越干经验越丰富，结果越来越精准，实现真正意义上的机器替代人，必将掀起新一轮的产业变革。

   利用VIDI红色模块工具的管理模式和VIDI绿色模块的自动化检测与分类，将会使汽车行业的金属零部件检测变得非常简单。

   首先需要收集大量的零部件检测图片做为学习样本库，其中包括正常品和残次品，每种残次品的检测图片至少包含一组以上。样本库中的样本越多，学习效果越好，后续的检测也会越准确。

   接下来VIDI Suite通过图片样本库进行训练学习，并产生检测的参照模型，这个学习过程只需要不到30分钟，具体学习取决于电脑的硬件配置。

   最后即可将VIDI用于实际的检测中。

   

  缺陷案例

  

  图2：缺陷检测案例

   如图2所示，软件算法通过一组有代表性的注释图像，以及已知的好样本进行自我训练后，学习系统自动集成上下文信息，形成一个可靠的形状和纹理的模型，用于校对检测。结果显示，之前难以被识别的缺陷，都可以被准确地检测到：撞击和刮伤被视为异常，因为它们有一个纹理区域偏离了预期的设定值，即撞击和刮伤面积超出了容忍偏差。

   

  粗糙金属板

  表面缺陷检查的关键挑战之一， 即它们是动态的，这与零部件的加工工艺流程或成形过程有直接关系。当零部件经历了全部的生产步骤，其中部分表面被喷涂油漆，导致抛光表面成为镜面反射光。如图3所示，此时撞击、污渍和划痕这些缺陷才变得可见，并且令人不安。汽车生产厂商完全不能接受这种缺陷产品。

  然而，这种只能在工艺末端才能检测到的缺陷，成本非常高昂。利用VIDI红色模块，粗糙材料上典型的缺陷，可以通过任何标准照明和矩阵相机获得的图像检测和分类。训练阶段完成后，在一个标准GPU上计算其能在几毫秒内可靠地识别缺陷，从而实现在线实时检测。

  

  图3：粗糙金属板表面的撞击、污渍和划痕检测实例

   

  结果 & 性能

  • 强大的检测：VIDI可以在生产过程的早期阶段，可靠地对复杂纹理的表面、镜面反射和可容忍范围内的异常图像缺陷进行检测和分类。

  • 自学习：检测过程无需大量仔细调整和优化的检测算法，而是依赖于一个类似人类的方法——学习和应用，并且具有改进的测试一致性和可重复性。

  • 快速&简单：整个学习具有代表性的图片样本库的过程非常高效，其学习时间小于30分钟。