康耐視部落格

深度學習缺陷探測如何將汽車業與其他產業的檢測自動化

deep learning defect detection

深度學習最適合用來在工廠自動化應用中,探測本身複雜且變化性高的塗裝缺陷以及其他不樂見的異常,特別是在非結構化的場景之中。圖案複雜或位置變化大的背景場景會干擾傳統機器視覺檢測系統。組件間有難以預測的自然變化。當然,甚至是一致的背景,也可能因為材料可拉伸、有彈性且容易變形的性質,而在視覺外觀上出現很大差異。尤其是塑料與編織紡織品,更要注意這點。

當缺陷類型複雜且位置變化多端時,會使得程式設計規模過大、不容易撰寫且過程冗長,因此可能會阻礙製造廠商多加使用傳統檢測方法。要探測的缺陷有著變化繁多的視覺外觀,無論由於成像 (眩光) 或材料 (例如織品上) 本身變化多端且可變形的特性,以及缺陷會以許多不同形態和類型出現,都相當難以進行明確搜尋。

在這些情況下,製造廠商可以使用深度學習,識別偏離正常外觀並顯露缺陷的所有對象。或者,在有些缺陷是剔除起因,但其他則否的情況下,訓練工程師能以加上「合格」與「不合格」標籤的圖像訓練參考模型,使其可發現特定缺陷類型,同時仍容許自然變化。

在任一種情況下,方法都簡單又直接,而且不需要視覺專業知識。檢測應用工程師只要收集一組代表性的訓練圖像,並向系統提供即可。深度學習解決方案可使用如人類一般的智慧,開發其參考模型,工程師能視需要以其他圖像驗證並微調,直到模型的決策和最厲害的人工檢測人員相當為止。系統可由此在運行期間,精確並反覆地分析檢測圖像,以探測異常和塗裝缺陷。

在下列範例中,我們將探索康耐視深度學習缺陷探測工具在汽車業、電子業、包裝業及生命科學業的價值主張。

汽車業缺陷探測

汽車業組件具有許多不容易讀取的表面。對於自動化檢測系統而言,可能極為粗糙不平且多孔的金屬表面,還有內裝座椅與安全氣囊上使用的織品,都是一些最不容易讀取的表面。

缺陷探測汽車業

織品會有紗線粗細、紡織紋理及圖案等自然變化。進行安全氣囊檢測時,務必要在縫製與接縫中找出會對部署造成重大影響的任何缺陷。難題分成兩部分。第一,天然織品紋理複雜,而且外觀會隨拉伸情況和拍攝當時的光線而有所變化。第二,也最有問題的是縫製或接縫缺陷數量相當龐大;若要明確搜尋,不僅費時冗長,而且幾乎不可能以基於規則的演算法一一找出。因此,以非監督方式訓練安全氣囊織品的正常外觀,讓檢測系統識別潛在缺陷,比較有用。

使用神經網路,深度學習工具可概念化和歸納織品的多變特性,識別所有異常呈現方式,同時穩健運作,適應編織圖案、紗線特性、顏色的自然變化,以及其他可容許的缺陷。偏離這些自然變化的任何異常,系統都會標示為有缺陷,例如未如預期般縫製、編織跳紗、經紗或緯紗中有線圈、鉤紗或孔洞等。如此一來,不需要預先定義缺陷資料庫,即可檢測織品。這種新的深度學習方法將肉眼視覺檢測性能帶入汽車業織品的自動化品質控制。

電子業缺陷探測

嚴格的品質管理與缺陷探測,除了 OLED 顯示螢幕製造,就屬對電子業的半導體,最為至關重要。就像刮痕、扭曲、彎折或缺少針腳,都會自動遭到剔除一樣,即使是極淺的瑕疵也會影響晶片極嚴格的誤差範圍,而形成錯誤。

缺陷探測電子業

不過,設計程式將數量龐大的明確缺陷類型撰寫成基於規則的機器視覺演算法,並沒有效率。基本上,當每個瑕疵都會視為功能性異常時,與其將所有相異的晶片或引線都標示為缺陷,不如直接教導檢測系統什麼才是理想的半導體晶片或積體電路 (IC) 引線外觀。這項工作最適合採用以非監督模式運作的深度學習檢測工具。在此模式下,軟體的神經網路會概念化和歸納晶片的正常外觀,包括因耀眼的金屬表面而感測的任何變化在內,將遺失、斷裂或磨損的元件標示為缺陷。

製造廠商可立即受惠:不需要視覺專家或應用開發人員,也不必針對無法預測的缺陷設計程式,再加上缺陷探測率與後續成品率較高。

包裝業缺陷探測

不只有在金屬表面,才需要於雜亂的背景上,識別刮傷及凹痕等塗裝缺陷。食品與飲料業和消費性產品業的包裝,很可能是由有光澤的塑料,或有如金屬薄板的光滑陶瓷材料製成。但這些表面一樣會有反光和鏡面眩光的問題。在這些條件下,傳統機器視覺系統可能難以鑒別圖像間的極小差異。

缺陷探測包裝業

幸好,深度學習神經網路的設計可以看穿眩光。也是讓不完美的正常表面通過,並發現真正缺陷的最佳方法。以面霜的陶瓷瓶為例,瓶子本身之間的差異,不一定會導致立刻剔除。「功能性」異常會影響瓶子的效用,向來是剔除主因,外觀異常卻可能不是,其取決於製造廠商的需求和偏好。

康耐視深度學習可採用具成本效益、容易的部署方式,緊密結合機器視覺檢測與肉眼檢測兩者的優點。為此,應用或品質工程師可利用一組代表性的「合格」與「不合格」陶瓷瓶圖像,訓練深度學習軟體。比方說,凹痕很深或有長條刮痕,都可能是「不合格」的寬口瓶。根據這些圖像,軟體可學會陶瓷模表面的自然外觀與表面特徵,同時容許呈現可能因照明產生的自然變化,標示落在可接受範圍之外的圖像。

如此一來,康耐視深度學習可結合肉眼鑒別微小變化的能力與自動化電腦系統的可靠性、一致性及速度,為包裝業提供有效的缺陷探測解決方案。

生命科學業缺陷探測

由於電腦輔助診斷 (CAD),使得現今的放射科醫師角色迅速改變。傳統上需要以人工判斷,搜尋腫瘤等的生理異常。其位置與顯現方式變化多端。有時候,和稍微偏離人體正常的健康外觀相比,放射科醫師對於識別特定異常可能較不感興趣。

缺陷探測生命科學

人類能將可能出現的不同呈現方式自然構成模型,還能區分「正常」與「異常」,因此檢閱 X 光或 MRI 結果,以及發現所述任一情況的能力相當卓越。不過,放射科醫師的生產力有其極限。即使是最專業的放射科醫師也可能遇到圖像中有其不熟悉,過去經驗裡也不曾看過的特徵。但,錯過潛在腫瘤或誤診的風險實在太大。

在這種情況下,可以發揮大數據的威力。即使背景相當雜亂或對比度不佳,深度學習軟體工具仍能找到目標檢測區,例如特定器官或特定脊椎骨。使用一組加上標籤的訓練圖像,AI 演算法即可開發器官正常外觀的參考模型,包括許多不同變化。深度學習檢測系統能根據加上標籤的「合格」與「不合格」範例圖像,學會考量任何圖像為異常,或是正常。如此一來,參考模型能夠視需要標示出偏離正常健康生理外觀的任何生理異常區域,以供放射科醫師進一步考慮思量。

製造廠商仰賴康耐視深度學習的缺陷探測工具,針對紙張、玻璃、塑料、陶瓷及金屬在內的各種不同表面,探測異常與不夠美觀之處。無論是刮傷、凹痕、誤印或對位錯誤,康耐視深度學習都可透過學習物件的正常外觀及其自然與可容許的變化,來加以識別。對於大面積的表面,缺陷偵測工具也能分割特定的目標檢測區,學習目標變化多端的外觀以找到缺陷。

其他文章

取得產品支援與訓練等等

加入 MyCognex

是否有任何疑问?

世界各地的康耐视代表可以随时为您提供支持,满足您的视觉和工业读码需求。

聯絡我們