三年磨一劍,礪得鋒芒出。HEXAGON中國團隊隆重推出擁有完全自主產(chǎn)權的Proxima外觀瑕疵智能檢測軟件，這意味著外觀檢測方式終于從量化，模板比對，走向深度學習。值得一提的是，經(jīng)過一年多的現(xiàn)場應用，Proxima得到了廣大客戶認可并獲得高度贊揚。

通過應用“顛覆性的技術” 提升客戶在制造領域的品質和生產(chǎn)力，是?？怂箍狄龑Э蛻魧崿F(xiàn)數(shù)字變革的基礎 。在?？怂箍刀嗉铱蛻舻闹悄芄S現(xiàn)場，您可以看到數(shù)臺智能設備正在日夜無休的進行有序且高效的缺陷檢測程序，曾經(jīng)需要耗費大量的人力物力來檢測的劃痕、裂紋、雜質、斑點、氣泡等不規(guī)則/隨機性缺陷，如今利用AI人工智能領域的深度學習技術，自主研發(fā)的基于深度學習的Proxima外觀瑕疵智能檢測軟件讓外觀瑕疵檢測方式讓機器視覺檢測有了“大腦”，實現(xiàn)了實時在線、漏檢率和過殺率低、可追蹤性與高效率的智能缺陷檢測。

傳統(tǒng)的人工檢測表面缺陷檢測的方法因為空間與時間分辨率有限，存在很多不足之處，人眼視覺所能檢測的缺陷尺寸需要大于0.5mm，且需要較大的光學形變(64灰度級)，同時當待測物體的運動速度達到3m/s時，人眼將不能發(fā)現(xiàn)缺陷的具體形態(tài)，并且由于人眼會疲勞，會有比較高的誤檢率及漏檢率。

得益于圖像處理、模式識別等技術的發(fā)展，以機器視覺為主的表面缺陷檢測方法在產(chǎn)品質量控制環(huán)節(jié)中得到了廣泛的應用。機器視覺瑕疵檢測可達到微米級，機器快門時間可以達到微秒級，識別和判斷穩(wěn)定，檢測效率得到提升。但是表面缺陷檢測系統(tǒng)的核心在于缺陷檢測算法，這一階段的缺陷檢測算法主要是統(tǒng)計、光譜、模型、學習和結構，過程分為圖像預處理、目標提取、特征選擇及模式分類，每個環(huán)節(jié)都會對模型的識別率產(chǎn)生影響。尤其在數(shù)據(jù)量較大且復雜的情況下，特征選擇的難度會增加。同時在測量效率方面存在很大的局限性。

近十年，3C智能硬件的快速迭代促使生產(chǎn)檢測技術不斷推陳出新。深度學習技術則推動AI人工智能快速進入生產(chǎn)制程。

深度學習

深度學習的思想源自于“人工神經(jīng)網(wǎng)絡”，從大腦中汲取靈感，模擬人腦分析問題機制并建立分析學習的神經(jīng)網(wǎng)絡。神經(jīng)網(wǎng)絡的基本構建模塊是人工神經(jīng)元-模仿人類大腦神經(jīng)元。正如大腦數(shù)十億個神經(jīng)元神經(jīng)元分布在神經(jīng)網(wǎng)絡的幾個層中，之間有數(shù)萬個連接，深度學習模型涉及大量的計算單元，它們彼此交互時對所建模數(shù)據(jù)潛在分布的多層表征進行自主學習。

深度學習技術賦能機器視覺，在特征自主學習及識別任務中擁有更出色的表現(xiàn)，可以自動對輸入樣本進行特征提取。

相比于傳統(tǒng)的機器視覺方法，基于深度學習的視覺缺陷檢測系統(tǒng)可以減少手動提取特征對識別精度的影響，更精確的檢測并識別產(chǎn)品表面缺陷。針對檢測目標特征復雜及提取困難的問題，深度學習也能夠提供很好的解決方法。所以說，基于深度學習的機器視覺瑕疵檢測系統(tǒng)有效地控制了產(chǎn)品表面質量，從而改善企業(yè)的生產(chǎn)控制過程和提升競爭力。

為了契合3C行業(yè)日趨嚴苛的高效高標準瑕疵檢測需求，?？怂箍禋v經(jīng)了近三年時間自主研發(fā)基于深度學習的Proxima瑕疵檢測軟件系統(tǒng)和多套硬件型號，Proxima軟件凝聚多項先進技術，解決客戶在產(chǎn)品表面瑕疵檢測環(huán)節(jié)遇到的各種問題.

對工件的缺陷進行精準定位和識別，高效訓練并快速輸出直觀的檢測結果

?？怂箍祷谏疃葘W習的機器視覺瑕疵檢測應用深度學習中不同類型即層次的神經(jīng)網(wǎng)絡，比如卷積神經(jīng)網(wǎng)絡,循環(huán)神經(jīng)網(wǎng)絡,長短期記憶對深度學習訓練的模型和速度進行優(yōu)化，使我們的瑕疵檢測在短時間內(nèi)可達98%的準確率。

系統(tǒng)設計簡潔，深入淺出

從樣本標注到模型訓練、再到檢測各環(huán)節(jié)緊密相扣，Proxima瑕疵檢測軟件系統(tǒng)將復雜的神經(jīng)網(wǎng)絡用最簡單的方式呈現(xiàn)給客戶使用，系統(tǒng)采用 Microsoft Office GUI標準，無需深入了解底層算法也可快速入手。

提供多種訓練模型及方法，適用性強

Proxima瑕疵檢測軟件系統(tǒng)訓練模型時可根據(jù)產(chǎn)品特征選擇最佳的深度學習模型，能夠快速準確的學習到瑕疵特征，適用性強，可應對復雜多變的缺陷類型。

導出報告即可查看檢測結果分布情況，透視直觀

通過Proxima瑕疵檢測軟件系統(tǒng)檢測后，可以在報告中直觀的看到檢測結果分布情況，包含缺陷位置、形態(tài)大小和類型等，并可以導出為html網(wǎng)頁文件報告，通過網(wǎng)頁瀏覽器即可打開，輕松方便的保存記錄測試結果。

區(qū)別于其他傳統(tǒng)的缺陷檢測方式， Proxima瑕疵檢測系統(tǒng)只需要少量的瑕疵圖片就可在短時間內(nèi)進行大規(guī)模的訓練。而且采用GPU專用處理算法，大幅提升檢測效率，以及通過基于深度學習的檢測算法,可以提高準確度，降低漏檢率和過殺率。

另外，Proxima軟件將瑕疵檢測與尺寸檢測合二為一，解決用戶瑕疵需求的同時也解決用戶尺寸的檢測需求。這項功能可謂是一舉兩得，減少了大量的時間和投資成本，提升了產(chǎn)品質量的同時也驅動產(chǎn)量的提升。

簡而言之，借助于深度學習的最新技術，Proxima瑕疵檢測系統(tǒng)支持少量樣本訓練，簡單上手易操作，高效高質檢測。這套基于深度學習的瑕疵檢測系統(tǒng)可以廣泛應用于不同行業(yè)，比如電子行業(yè)，玻璃制造業(yè)， 3C手機行業(yè)等。