在全球化的制造業(yè)格局中,產(chǎn)品質(zhì)量問題一直是懸在企業(yè)頭頂?shù)囊话堰_摩克利斯之劍。特別是近年來,隨著消費者對產(chǎn)品質(zhì)量的要求越來越高,任何微小的缺陷都可能引發(fā)大規(guī)模的產(chǎn)品召回,造成巨大的經(jīng)濟損失和社會影響。
以2021年中國汽車召回事件為例,873萬輛汽車中,有15%是因為生產(chǎn)缺陷而被召回,這些召回不僅給制造商帶來了巨大的經(jīng)濟損失,更是對品牌信譽的嚴(yán)重打擊。而且,根據(jù)歐洲機器視覺行業(yè)協(xié)會(EMVA)的研究,缺陷造成的損失可能高達產(chǎn)品銷售價格的22%,這一比例在全球范圍內(nèi)均為普遍存在。尤其是在動力電池、消費電子等精密產(chǎn)品制造領(lǐng)域,為了確保產(chǎn)品在各種環(huán)境和場景下都能達到設(shè)計性能,對缺陷和質(zhì)量的管理要求更為精細(xì)和靈活。
因此,傳統(tǒng)的質(zhì)檢方法已經(jīng)無法滿足現(xiàn)代制造業(yè)的需求,以AI為基礎(chǔ)的視覺缺陷檢測技術(shù)逐漸成為制造業(yè)的新寵,這種技術(shù)以其出色的抗干擾性和魯棒性,在全球制造業(yè)中的市場份額逐年增加。相關(guān)研究顯示,AI工業(yè)質(zhì)檢年復(fù)合增長率達45.6%,選擇交付以AI為主的視覺系統(tǒng)的比例也高達45%。
然而,AI視覺應(yīng)用在上線前必須準(zhǔn)備足夠多的缺陷訓(xùn)練集,尤其是那些困難案例中的特定缺陷,如電池極柱中的制造缺陷——裂紋及焊洞、半導(dǎo)體中各種錯位姿態(tài)、焊點斷裂,以及鏡頭生產(chǎn)中的灰塵、異物等。這些特定缺陷的訓(xùn)練圖像在生產(chǎn)環(huán)境中收集起來既困難又昂貴,成為制約AI質(zhì)檢模型發(fā)展的瓶頸。
缺陷展示
電池極柱中的制造缺陷,如裂紋、焊洞等
半導(dǎo)體中的各種錯位姿態(tài)、焊點斷裂等
鏡頭生產(chǎn)中尺寸不一的灰塵、異物等
在這樣的背景下,阿丘科技推出了工業(yè)級智能圖像生成軟件AIDG,一款基于Stable Diffusion框架的數(shù)據(jù)生成平臺,AIDG平臺的出現(xiàn),為AI質(zhì)檢模型的訓(xùn)練提供了一種全新的解決方案。
它可解決AI落地工業(yè)檢測的過程中,因圖像數(shù)據(jù)不足導(dǎo)致的模型訓(xùn)練及驗證困難、模型指標(biāo)不佳等問題。可以基于真實缺陷的素材,快速批量生成高仿真度的缺陷圖像,幫助用戶高效獲取AI模型構(gòu)建及驗證所需的樣本,并提高模型的泛化能力與適應(yīng)性,降低獲得高質(zhì)量模型的數(shù)據(jù)成本。
AIDG產(chǎn)品亮點
01生成樣本真實度高
基于工業(yè)缺陷檢測領(lǐng)域多年實踐的預(yù)訓(xùn)練模型+Stable Diffusion框架,可適應(yīng)復(fù)雜結(jié)構(gòu)缺陷、背景變化、缺陷邊緣處理等多樣場景,高度還原真實缺陷紋理、立體度和色彩細(xì)節(jié),可直接用于模型開發(fā)
02生成方式靈活高效
只需1-5張的真實樣本,支持批量生成、自動生成、參數(shù)生成,支持對多個缺陷類型進行組合,保障樣本豐富均衡
03支持缺陷素材沉淀入庫
支持缺陷素材沉淀、遷移復(fù)用;提供在線素材庫,內(nèi)置豐富的行業(yè)有效缺陷素材,縮短數(shù)據(jù)獲取周期,甚至0樣本也可以使用接下來,本文將介紹如何使用AIDG,在四步內(nèi)利用數(shù)據(jù)生成提升模型性能和效果,以便更直觀地了解生成式AI的價值。01
第一步:創(chuàng)建局部缺陷素材庫
創(chuàng)建局部缺陷素材庫是AIDG平臺工作的第一步,它將為后續(xù)的生成提供重要的參考和依據(jù)。素材庫的建立可以通過多種途徑實現(xiàn),包括歷史素材、真實NG案例以及阿丘科技獨家支持的缺陷樣本。
各類內(nèi)腔部件異物
各類內(nèi)腔水印
素材庫的建立,不僅僅是一個簡單的收集過程,它涉及到對歷史數(shù)據(jù)的深入分析,對真實NG樣本的精確捕捉,以及對阿丘科技獨家技術(shù)的運用。通過收集這些真實的缺陷圖像,可以確保生成的數(shù)據(jù)更加貼近實際生產(chǎn)環(huán)境,從而提高模型的泛化能力。
02
第二步:模擬生產(chǎn)環(huán)境
有了局部缺陷素材庫之后,接下來需要模擬真實的生產(chǎn)環(huán)境。這一步的目的是將符合生產(chǎn)要求的OK圖導(dǎo)入到AIDG中,作為背景為后續(xù)的缺陷生成做準(zhǔn)備(OK圖是指沒有缺陷的標(biāo)準(zhǔn)產(chǎn)品圖像,這些圖像將作為生成缺陷的基礎(chǔ)背景)。
在模擬生產(chǎn)環(huán)境時,需要考慮以下幾個方面:
- 光源條件:不同的生產(chǎn)環(huán)境可能有不同的光源條件,如環(huán)形光、點光源等,需要確保導(dǎo)入的OK圖能夠在不同光源條件下保持一致的效果。
鏡頭選擇:選擇合適的鏡頭同樣關(guān)鍵,不同的鏡頭可能會導(dǎo)致圖像的畸變或失真,影響生成數(shù)據(jù)的質(zhì)量。
- 成像系統(tǒng):確定成像系統(tǒng)的基本效果,包括分辨率、對比度、像素當(dāng)量等參數(shù),確保生成的圖像能夠真實反映生產(chǎn)環(huán)境中的情況。
03
第三步:缺陷多樣性設(shè)置
在AIDG中,根據(jù)項目需求設(shè)置對應(yīng)的缺陷多樣性策略,算法將根據(jù)策略隨機在OK圖上生成不同位置、大小、角度、亮度等條件下的缺陷。這一步的關(guān)鍵在于控制生成圖像的數(shù)量和每類缺陷的數(shù)量,以保證生成的多樣性和均衡性。這種多樣性的設(shè)置,使得生成的缺陷數(shù)據(jù)能夠覆蓋更多的可能情況,從而提高模型的泛化能力和魯棒性。
缺陷多樣性參數(shù)設(shè)置
具體來說,缺陷多樣性設(shè)置可以包括以下幾個方面:
- 缺陷種類:選擇需要生成的缺陷類型,如裂紋、焊洞、錯位姿態(tài)等。每種缺陷類型都可以單獨設(shè)置生成參數(shù),確保生成的數(shù)據(jù)能夠全面覆蓋各種缺陷情況。
位置多樣性:設(shè)置缺陷在圖像中的位置分布,可以是隨機分布,也可以是特定區(qū)域內(nèi)的集中分布。通過控制缺陷的位置,模擬不同的生產(chǎn)環(huán)境和缺陷發(fā)生概率。
照明條件:設(shè)置不同的照明條件,如不同的光線強度、方向和顏色,以模擬生產(chǎn)環(huán)境中可能遇到的各種光照情況,有助于生成的數(shù)據(jù)在亮度上具備多樣性,解決光源因距離導(dǎo)致的成像效果不統(tǒng)一問題。
大小和角度:設(shè)置缺陷的大小和角度,可以生成不同大小和角度的缺陷圖像,增加數(shù)據(jù)的多樣性。對于重點缺陷,還可通過延長或縮短其長度,確保重點缺陷的不漏檢。
04
第四步:導(dǎo)入到AIDI中進行訓(xùn)練或迭代
這一步涉及到將AIDG生成的缺陷數(shù)據(jù)與AIDI的深度學(xué)習(xí)模型相結(jié)合,通過訓(xùn)練和迭代,提高模型的性能和效果。這個過程不僅能夠減少訓(xùn)練所需的資源,縮短訓(xùn)練時間,還能夠解決光源因距離導(dǎo)致的成像效果不統(tǒng)一問題,確保重點缺陷的不漏檢。
裝載生成圖的AIDI界面(生成缺陷自帶標(biāo)注)
混淆矩陣中訓(xùn)練效果提升,漏檢的3張圖全部檢出,檢出率提升8%
通過這四步流程,AIDG平臺不僅能夠生成具有多樣性的缺陷數(shù)據(jù),還能夠確保這些數(shù)據(jù)的質(zhì)量和均衡性,從而提高AI質(zhì)檢模型的性能和效果。這種基于缺陷生成路徑的質(zhì)檢新范式,既能夠解決傳統(tǒng)數(shù)據(jù)收集的困難和昂貴問題,又能夠提供更加精確和高效的解決方案。
目前,阿丘科技正在行業(yè)垂直檢測大模型、生成式AI等領(lǐng)域加深行業(yè)應(yīng)用和產(chǎn)品化能力,通用人工智能的發(fā)展離不開高質(zhì)量數(shù)據(jù)的支持,而數(shù)據(jù)對于AI來說,是人類對現(xiàn)實世界的理解和認(rèn)知。生成式AI的路線,將進一步放大這種認(rèn)知的程度,最終實現(xiàn)以數(shù)據(jù)為中心的AI驅(qū)動范式。
阿丘科技的技術(shù)支持團隊提供全套AIDG培訓(xùn)和各類型項目POC(Proof of Concept),歡迎用戶積極試用,一起加速模型的高效上線。
-
半導(dǎo)體
+關(guān)注
關(guān)注
334文章
27305瀏覽量
218165 -
機器視覺
+關(guān)注
關(guān)注
161文章
4369瀏覽量
120293 -
AI
+關(guān)注
關(guān)注
87文章
30763瀏覽量
268909
發(fā)布評論請先 登錄
相關(guān)推薦
評論