阿里云ET工业大脑发布AI视觉产品“见远”：电池片、车辆、路面都能被“诊断”

摘要： 7月24日，阿里云ET工业大脑发布AI视觉产品“见远“，可以利用深度学习和图像处理算法，自动识别图像中的瑕疵、故障及其他目标物，大幅节省人力，提高产品生产效率及精度稳定性效果。

7月24日，阿里云ET工业大脑发布AI视觉产品“见远“，可以利用深度学习和图像处理算法，自动识别图像中的瑕疵、故障及其他目标物，大幅节省人力，提高产品生产效率及精度稳定性效果。

“见远”来自阿里巴巴机器智能技术实验室视觉计算团队，这一团队还曾在城市大脑中研发出一系列视觉智能创新技术，如天曜、天擎、天鹰、天机。

阿里巴巴机器智能实验室副主任、视觉计算团队负责人华先胜介绍，目前“见远”已经应用在电池片瑕疵检测、蚕丝瑕疵、道路裂缝检测、垃圾分类、智能养殖等多个领域。

举例来说，在电池片瑕疵检测领域，“见远”的识别准确度已达95%，节省人力率比为每33个人节省1人。通过深度学习和图像识别算法，阿里云ET工业大脑集中学习了40000多张样片，将图像转换为机器能读懂的二进制语言，从而能让质检机器实时、自动判断电池片的缺陷。

 

（阿里云ET工业大脑帮助正泰新能源实现了业内首个电池片实时、在线、自动检测）

位于杭州的浙江正泰新能源已经通过“见远”实现了单、多晶电池片EL缺陷的毫秒级自动判定，能成功识别隐裂、黑斑等20余种瑕疵，相比人工检测速度提升2倍以上。这也是光伏行业首次实现对电池片的实时、在线、自动检测。

该项目算法工程师魏溪含介绍，工业质检主要是三类：无摄像头，全人工；有摄像头，但人工观察；摄像头带简单的分析功能。这导致的问题就是人力成本高、人的情绪对质控影响大、效率低下等问题。“见远”能够做到真正的自动化，全面的解放一线工作人员。“以前他们需要大海捞针，现在只要在桌面找针就行”。

除此之外，“见远”还能被应用到更多其他领域。例如，可通过列车底部/侧面照片，自动检测列车是否有故障。常见故障超过100种，小概率重要故障几十种。180万张图片的测试数据显示，人工智能系统检出上报数为985张，其中141个是人工漏检而被机器检出的。

除车辆外，在桥梁、路面检测中“见远”显得更为重要。它能够通过无人机搭载的高清摄像头，实时发现桥梁存在的外观病害，如构件变形、裂缝、渗水等。即使是一个头发丝粗细的裂缝，都可以发现。而在之前，大多都是通过肉眼完成，漏检率高、速度慢。

阿里云一直致力推动产业AI的落地，并且拥有从底层硬件基础设施到行业解决方案的丰富人工智能产品家族，是国内最全的人工智能解决方案商。ET工业大脑已经帮助工业制造企业创造利润数十亿元。

原文链接

本文为云栖社区原创内容，未经允许不得转载。