1、小样本数据训练。缺陷数据少，甚至缺失，是产线常态，尤其新料号产品刚启动生产时。如何依托小样本数据，实现较高的检测准确度及精度（如以15张某钟缺陷图片，用30分钟完成训练学习，检出率达100%），是应用落地难点。
2、单一正样本数据训练。新料号产品生产初期，暂无缺陷样品数据，是产线常态。如何依托一定量正样本数据（无瑕疵），进行训练学习，实现对缺陷品上瑕疵检测，是应用落地难点。3、跨产品料号适用。依托算法的转移学习能力，将已训练的模型进行跨料号迁移；在原有模型上对新缺陷数据进行较少次数的迭代即可。
4、训练时间、推理时间尽最大化的减少（在保证准确度和精度的前提下）。
5、部署成本降低（在保证准确度、精度和推理速度的前提下），以CPU替代GPU。
除了应用难点，还有实际应用中产生的问题：
1、未学习过的较明显缺陷，模型不能检出。
2、模型检测结果中，误报的假点很多。
3、训练时间长，且训练结果无确定性。
4、单个模型对应产品某区域（某原件），当各区域重新划分时，模型需重新训练，即使同种产品。
5、同一产品，增加新缺陷数据时，需重头学习，原有模型的参数会被重新调整学习。
6、当前使用的稳定模型，添加新的缺陷数据进行学习后，参数设定与上次模型参数训练一致，上次可检出的缺陷，新模型会检不出，存在模型遗忘的问题。
7、同一模型，以4种参数组合，训练出4种版本的模型（已可以自动按序训练），无法明确区分哪个版本效果最好。
8、参数繁琐，应用人员很难准确勾选出合适参数。
9、当前设备使用的稳定模型，复制在另一台设备上使用（测试产品一致），误报会逐渐增加。
针对工业领域缺陷检测业务需求、传统图像算法应用局限、深度学习模型应用痛点和问题，本研究分架构和技术两个层面展开研发，第一个层面是架构，融合传统视觉算子和深度视觉模型，构建本产品的检测架构，发挥出传统视觉算子和深度视觉模型的各自优点，并弥补各自缺点，满足业务需求。第二个层面是技术，采用国际前沿的深度学习算法，自主开发底层代码；针对应用痛点和问题，深耕对应的多维度技术落地（传统视觉、深度视觉、标注数据、软件工程）。
我司自主研发的人工智能检测软件系统BSW-AIPro包含两大系统性功能：AI学习功能和AI智能缺陷过滤功能
AI学习功能：突破传统AOI的图像匹配和灰阶值提取去检测缺陷的算法，针对性对缺陷本身去提取特征，进行机器学习，去准确判定缺陷。因为非图像匹配，所以不需要产品在固定位置，不需要每次拍照图片一样，产品可以在萃盘里晃动而不影响检出；因为非灰阶值提取判断，产品可以不用吸平，在萃盘里自由状态而不影响检出。此功能模拟品检人员检测训练，可不断的对各类缺陷进行学习，最终达到熟练的品检人员检测水平，不断提高检出精准度。
AI智能缺陷过滤功能：可对缺陷进行再定义，将可放过缺陷进行过滤，可过滤筛选掉大部分定义的可放过缺陷，降低报点，提升人员复判效率。
上一篇: 机器视觉中的缺陷检测都检什么?
