金属表面瑕疵检测解决方案

利用深度学习强大的特征学习和表达能力: 解决瑕疵类型复杂多变的难题。从数据收集处理、模型设计选型训练到系统集成上线应用,提供一套完整的端到端AI解决方案

项目背景

在钢板生产中,对于质量检测存在较大痛点问题:

   人工筛检效率低下,无法保证统一的检测标准,品质、生产效率无法保证;

   钢板瑕疵类型多样多变,生产环境复杂,如热轧钢板生产温度较高容易产生雾化效果,利用摄像头采集时严重增加图像噪声,传统检测方法难以保证瑕疵识别的准确性、稳定性;

 
热轧钢板的六种典型表面缺陷

 

方案介绍

     支持生产线上直接检测

 对生产线上钢板上下表面同时采集,根据生产检测需求,可实施 “层流冷却前”、“层流冷却后”两种拍摄方式

    支持成品单独检测

 

核心算法

可运行于主流深度学习网络框架Tensorflow 上

以卷积神经网络(CNN)为骨干架构,采用语义标签,可以对图像画面中的前后景物体以更高效处理速度实现更精确的识别,更好的从背景中分割出瑕疵区域

系统集成上线应用

提供算法模型集成化服务,输入输出采用RESTful API接口方式统一对接:

  与已存在软硬件(如工业相机采集图片)直接对接,无需重新改造

  随时升级不改变原有对接方式,更利于迭代更新提升模型识别效果

 

 

方案优势

1. 采用深度学习方法实现智能检测,相比于传统算法,适用性更强、准确率更高

2. 瑕疵检测具备自主学习能力,随着数据增多可以不断提升识别准确率

3. 提供软硬件一体的解决方案,适用于多种类型瑕疵,针对不同钢板产品提供针对性解决方案

 

应用案例

 

某工业企业的精密配件瑕疵检测