1、同一料号产品的缺陷种类很多，存在不确定性；同一种缺陷的形态多样，存在不确定性；同一种缺陷出现的位置具有随机性。在此特点背景下，需要保证检出率（高于99.95%，漏检率低于0.05%）同时，保证直通率（高于80%）。

2、产线换新料号产品，给与设备对应时间低于4小时，包括：新料号样品采图、做程序（数据标注、训练、测试、调参、部署等）、集成；给与单图缺陷分析检测的ticktime在50ms内（拍完即检测完，不拖后流水线进度）。

以往技术方案更多的是基于传统视觉，基于传统图像算法的缺陷检测方案应用局限：

1、可应用场景有限。基于正负样本库的图像差值对比，提供公差类检测服务，无法对划伤、异物、缺损等无规则缺陷保存标准样本。

2、检测精度低。无法提取各种缺陷内在特征，当待检品与标准样本有出入时，可能会误判。

3、普适性差。针对产品改良和规格升级条件下，无法对海量标准样本进行算法重构。

4、有天花板。当缺陷与背景的边缘特征很不明显时，传统图像算法所表现的天花板越来越明显。

我司自主研发的人工智能检测软件系统BSW-AIPro专为解决些问题而生，其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: 深度学习模型的缺陷检测方案应用难点

已是最新文章