当前制造业产品外表检查主要有人工质检和机器视觉质检两种方式，其中人工占 90%，机器只占 10%，而两者都面临许多挑战。人工质检成本高、误操作多、生产数据无法有效留存，机器视觉质检虽然不存在这些问题，但受传统特征工程技术限制，模型升级及本地化服务难度较大。

人工和 AI，两种方式达成的效果极其相似，但比较两者的成本，却相距甚远。在引入 AI 质检员之后，无论是时间还是人力成本都有着巨大的下降。AI 质检适用于众多业务场景，包括但不限于 LED 芯片检测，液晶屏幕检测，光伏 EL 检测，汽车零件检测等。

聂磊，曾就职于三星电子中国研究院，从事相似图像检索、商品检索等大规模图像检索工作。现就职于百度，主要负责推动工业、遥感、气象等多个垂直领域计算机视觉商业化应用。

智能检测技术框架

• 模型：分类、检测、分割、语义理解支持
• 数据：无监督学习、缺陷合成、数据闭环
• 场景：复杂缺陷检测分类、物体计数、异常检测
• 产出：线上产品质检、工业大数据、缺陷溯源

部署方式

• 私有化部署：训练一体机 + 工控机/嵌入式端/AI 相机
• 公有云部署：公有云 SaaS
• 端云一体：云模型训练/更新 + 私有化端上部署

据聂磊介绍，工业领域数据来源有限，建立数据闭环不仅可以收集海量数据，还能启动整个工业大数据链条。其中会涉及无监督学习、缺陷合成等技术，最终产出全自动系统完成产品质检，并将质检后的数据放入数据库中组建闭环。

对于产线发生的缺陷场景，溯源完全缺陷并发现具体原因需要三套部署方式：私有化部署、公有云部署和端云一体部署。工业上很多敏感数据无法全部提供，对此私有化部署相当于提供了训练一体机，搭载质检的整体软件，从标注、训练、预测整体的端到端解决方案。公有云提供 SaaS 服务，配合端云一体部署在私有化端上的模型训练和更新进行边缘计算。数据闭环后把更新的模型推送到私有化端上完成更新，这就是智能检测的整体技术架构。

智能检测整体流程

整个数据闭环的流程，包括数据上传、标注、训练和预测模型。

用户在上传数据时遇到对数据或系统不太了解的情况可通过已有模型寻找任务，用提前训练好的模型做预标注，通过人工验证的方式实现智能检测。

如果有需要执行的任务和已有任务较为相似，智能检测系统可比对生成缺陷数据，通过公有云 API 方式部署进一步审核，此外还可在现有端和设备上通过 SDK 方式做数据拓展，实现大数据积累，不断更新模型。

无监督缺陷检测

缺陷检测可有效提高检测效率，保证检测质量，无监督缺陷检测的方法具有不需要标签数据的特点，能够快速应用于工业实践中。

工业场景中无监督缺陷检测的情况

• 缺乏足够缺陷样本
• 正常样本可建模，采集难度低
• 只使用正常样本或少量标注样本训练

基于 GAN 自编码器的异常检测

• Reconstruction 网络：Denoising AutoEncoder
• Discrimination 网络：二分类确定异常样本
• Dversarial Loss：保证 DAE 生成样本真实性

自编码器的异常检测是将一张正常图片通过编码器来生成对应的样本，根据生成的样本与原始图样比对来确认是否正常的检测方法。引入了 GAN 后，自编码器异常检测得到了改进和优化，GAN 中间的解码器和判别器可直接确定样本的情况，它的基本原理是用 DAE（Denoising AutoEncoder）网络重建样本，用判别器网络（Discrimination）来确定样本正常或是异常，引入 Dversarial Loss 保证 DAE 样本真实性。

嵌入式端质检解决方案

硬件方案

• 基于 X86 的 Intel 集成解决方案（生态完整、平台稳定、兼容性强、成本低）
• AI 相机/嵌入式盒子/智能网关

软件方案

• 移动端算法优化
  • 检测：Faster R-CNN -＞SSD，YOLO
  • 分类：VGG ResNet -＞ShuffleNet，Mobilenet v2
  • 语义分割：DeepLab v3+，PSPNet -＞SegNet，ICNet，ESPNet

• 移动端模型剪枝量化
  • 剪枝量化
  • 模型剪枝
  • 移动端量化

端云一体私有化部署移动端的解决方案主要有智能硬件和算法优化加速，把重量级模型转化成轻量级，最终变换成顶点化模型，并在移动端剪枝量化

关注安卓绿色联盟公众号，回复关键字 “17”，获取更多内容