1. 應用背景

隨著機器視覺，工業自動化的快速發展，工業4.0的概念已經被提上日程。傳統很多需要人工來手動操作的工作，漸漸的被機器所替代。這當然也是人類科技進步和發展的必然趨勢，工業的進步到頭來還是服務于人類，給人類帶來高質量的生活體驗，而不是整天做著乏味無趣的工作。

這里我要討論的話題是關于缺陷檢測機器自動化方面，先說下現狀吧，在富士康，伯恩光學，藍思，信利等國內幾大知名半導體制造廠商的朋友肯定看到過下面的畫面。

近幾年隨著智能手機，平板，各種觸摸設備的火速發展，促進了玻璃半導體行業的巨大需求。讀者不乏看看周邊的朋友，我想平均每個人都至少有2部移動設備吧，一部手機，一部平板。但是使用者有沒有思考過這些電子產品的構成。我們就拿屏幕和內部芯片來舉個例子。

每一臺智能觸摸設備都會佩戴一塊屏幕，其中就有蓋板玻璃。蓋板玻璃在安裝在觸摸設備之前，在類似圖一，圖二的車間中經過了好幾道檢測工序， 其中很關鍵的一道工序就需要無數QC質檢的火眼金金幫我們剔除掉有缺陷的玻璃， 最終來到我們用戶手中的玻璃是沒有缺陷，或者說基本沒有缺陷的。當我們看到圖二中的情景，我們是否想用如今的高科技來解救一下他們繁瑣無趣的工作，當然我這樣說肯定有人反對。

Anyway, 上面之所以說了這么多，還是想讓大家清楚的知道現在工業界的一個真正的需求， 所以下面我們要討論的話題就是如何來解救現在工廠中正在睜大眼睛，埋頭檢測玻璃或者其他物體表面缺陷的少女們～

2. 傳統視覺檢測

在機器學習，深度學習還沒有發展的這么火熱之前， 國外幾款做的幾款非常好的視覺軟件業內人士應該都很清楚。比如Halcon, Visionpro, Cognix, MIL等等都是業內用的比較多，而且比較成功的視覺軟件。其中很多模塊都有定位，測量，檢測等功能。

但是這些傳統的方法來做缺陷檢測大多都是靠人來特征工程， 從形狀，顏色， 長度，寬度，長寬比來確定被檢測的目標是否符合標準，最終定義出一系列的規則來進行缺陷檢測。這樣的方法當然在一些簡單的case中已經應用的很好， 唯一的缺點是隨著被檢測物體的變動，所有的規則和算法都要重新設計和開發，即使是同樣的產品，不同批次的變化都會造成不能重用的現實。

總結：傳統機器視覺算法通常處理容易提取，容易量化的特征：顏色、面積、圓度、角度、長度等。

3. 深度學習檢測

隨著機器學習， 深度學習的發展，很多人眼很難去直接量化的特征， 深度學習可以搞定， 這就是深度學習帶給我們的優點和前所未有的吸引力。很多特征我們通過傳統算法無法量化，或者說很難去做到的， 深度學習可以搞定。特別是在圖像分類， 目標檢測這些問題上取得了顯著的提升。下圖是近幾年來深度學習在圖像分類問題上取得的成績。

圖三 圖像分類

下圖是近幾年來深度學習算法在目標檢測問題上的發展。

圖四 目標檢測

之所以提出上面的算法， 是因為這些算法給其他領域提供了很多參考和借鑒意義。比如本文討論的缺陷檢測， 上面的很多網絡的特點，以及方法都給了我們很多的啟發，我們在設計網絡結構的時候，配合自己在產線部署的硬件性能，設計適合項目的網絡結構。

當然，深度學習的方法用來檢測，也有自己的很多缺點。例如：數據量要求大，工業數據收集成本高。但是隨著數據增強技術，無監督學習的不斷進步，在某些應用場景上，這些缺點漸漸被隱藏了。例如學術界正在研究的，自動網絡結構設計，自動數據標注等等。所以作者認為隨著技術的發展，這個領域將會得到很大的提升，人工檢測終將會被機器檢測替代。然后你看到的無人工廠更加會無人化～

具體的檢測工業應用，作者在github上有講的很清楚， 有感興趣的朋友可以直接鏈接過去了解。

編輯：黃飛