為了契合日趨嚴苛的瑕疵檢測需求，研發(fā)出基于深度學習的Proxima瑕疵檢測軟件系統(tǒng)，通過深度神經(jīng)網(wǎng)絡高效地對學習模型進行訓練，不斷完善機器學習成果的統(tǒng)計分析，精準高效解決產(chǎn)品表面瑕疵檢測環(huán)節(jié)遇到的各種問題。
可檢測的主要瑕疵類型：
| 劃痕 | 刀痕 | 崩缺 | 氣泡 | 凸起 | 凹痕 |
| 擦傷 | 雜質(zhì) | 變形 | 崩邊 | 白點 | 條紋 |
| 黑點 | 皺縮 | 波紋 | 裂紋 |
產(chǎn)品特色：
1、學習速度——快
針對產(chǎn)品的某一類型的外觀瑕疵，給系統(tǒng)輸入 10 張或更多的瑕疵樣本；系統(tǒng)通過深度學習 建立自己的 NG 數(shù)據(jù)庫，從而形成針對該種類 瑕疵的神經(jīng)網(wǎng)絡；當被檢測工件通過成像系統(tǒng)， 即可被智能識別、標記和分類。
2、識別判斷——準
Proxima 瑕疵檢測軟件可有效的完成高干擾背 景下的缺陷識別和不規(guī)律的圖像分析，達到人 眼辨別水準，并且多層神經(jīng)網(wǎng)絡層對學習模型 進行了有效訓練，使得瑕疵檢測率高于傳統(tǒng)檢 測方式
以 2D 玻璃、金屬殼體瑕疵檢測為例：
·訓練數(shù)據(jù)：100 張不良，100 張合格品
·檢測數(shù)據(jù)：1000 張
·缺陷識別率：大于 98%
·漏檢率：小于 0.5%
3、檢測效率——高
·使用獨立 GPU 進行圖片處理，可多 GUP 并 行，使得檢測時間可低至毫秒級別。
·測量過程中獲取的圖像可以進一步的學習， 從而減少優(yōu)化過程。
·配合自動化實現(xiàn)車間在線完成零件外觀瑕疵 的 OK/NG 判斷和分 BIN。
4、應用范圍——廣
智能瑕疵檢測應用案例
智能瑕疵檢測已被廣泛的用于金屬器械制造行 業(yè)、玻璃制造業(yè)、塑料生產(chǎn)行業(yè)、電子 & 通 訊行業(yè)、汽車行業(yè)、太陽能、PCB、薄膜、半 導體等行業(yè)……
5、操作難度——易
軟件界面遵循微軟辦公標準設計，操作流程只需“標注，訓練，檢測”三步即可出結(jié)果，無需復雜培訓就能上手。
典型案例
·電腦D面標簽 | ·手機中框膠路 | ·手機背板外殼 | ·手機背板螺母位置度 |
·手機薄膜 | ·手機天線 | ·手機折疊保護殼 | ·頭戴式耳機 |
·智能手表外殼 | ·SIM 卡支架 ( 金屬件 ) | ·閃光燈 ( 塑料件 ) | ·鏡頭模組支架 ( 金屬件 ) |
·充電器外殼 | ·充電頭 ( 金屬件 ) | ·無線充電器納米晶 | ·汽車活塞 |
|
|
|
|
|
|
|
|
思瑞瑕疵檢測方案，實現(xiàn)準確高效在線測量
通過專業(yè)智能檢測項目團隊，能為多行業(yè)客戶提供定制化智能瑕疵檢測方案。出色的硬件配置，配合Proxima產(chǎn)品外觀質(zhì)量智能檢測系統(tǒng)，思瑞瑕疵方案實現(xiàn)高精度、高效率、高自動化在線測量。
