制造业产品缺陷视觉检测技术

传统机器视觉检测技术是基于程序化和规则的方法，通常需要预先穷举所有缺陷种类，并且为每种缺陷提供充足的人工标注。传统技术存在样本采集成本高昂、环境适应性差等问题。本项目提供一种基于人工智能的新型视觉检测技术，利用数据驱动的深度学习算法，使视觉检测技术开发流程标准化，极大地缩短了开发周期与开发成本，通过迁移学习等关键技术快速地应用到多种制造行业，在不同行业所积累的数据池又将反哺技术进步，进一步构筑行业技术壁垒。本团队深耕于工业与智能制造领域，充分了解制造业产品缺陷种类繁多、缺陷数据少等特点，创造性地提出了正样本建模等核心解决方案，极大地减少了对缺陷样本以及标注的需求。本项目提出的技术方案具有开发周期短、适用性可迁移性较强、落地成本较低等特点。

【产品性能优势】1. 弱监督缺陷检测技术解决传统缺陷检测技术的低效率问题。传统视觉检验方法需要大规模标注数据，存在数据利用效率低的问题。本项目针对制造业产品缺陷种类难以完整预测与穷举，缺陷样本数量少、不易获取等问题，创造性地针对正常无缺陷产品建立的生成模型，通过对比学习实现高精度的产品缺陷检测。 2. 迁移学习技术提高缺陷检测技术的通用性和可扩展性。项目面向不同质检场景，针对多种制造行业、各类产品检测的任务需求，研发了基于实例与特征等多种迁移学习技术，增强缺陷检测技能在多种场景的迁移能力，降低对缺陷数据的依赖，显著缩短了开发周期与开发成本。 3. 多波段检测技术扩展缺陷检测的范围和功能。传统机器视觉光源以可见光和近红外波段为主，主要用于产品外观表面缺陷检测。为了实现更多检测功能，比如温度、化学成分、内部损伤等，需要结合更多波段的探测技术，比如：远红外热成像、高光谱成像以及高频射线成像等。本项目同时研发了基于可见光的表面缺陷和基于X射线的内部缺陷的视觉检测技术，可以满足多种制造行业的检测需求。