智造之眼丨深度學習應用

深度學習(DL, Deep Learning)是機器學習(ML, Machine Learning)領域中一個新的研究方向，它被引入機器學習使其更接近于最初的目標——人工智能。

深度學習是學習樣本數據的內在規律和表示層次，這些學習過程中獲得的信息對諸如文字、圖像和聲音等數據的解釋有很大的幫助。它的最終目標是讓機器能夠像人一樣具有分析學習能力，能夠識別文字、圖像和聲音等數據。

（圖源網絡，侵刪）

目前深度學習在各行業中已經有廣泛的應用，例如：臉部識別手機解鎖或識別社交媒體照片上的好友；醫學成像應用，幫助診斷癌癥等疾病。

人臉識別

（圖源網絡，侵刪）

醫學成像

（圖源網絡，侵刪）

以及流視頻和音樂服務上或在購物網站上的推薦引擎；電子郵件中的垃圾郵件過濾器以及信用卡欺詐檢測；工業領域焊點質量檢測、半導體制作流程檢測、異物檢測、分類檢測、缺陷檢測等。

焊點檢測

智造之眼?深度學習應用流程主要包括五個階段：數據采集、模型設計、場景測試、產線驗證和系統流程控制。

端子點焊常用于連接電氣設備中的金屬組件。堅固耐久的焊點可延長產品的使用壽命，提高整體產品質量，然而人工目檢效益低、成本高、限制性大，相較而言，基于深度學習的焊點檢測方式能夠快速仔細地檢測每個元件的焊接狀態，適應自動化生產的檢測需求。以下檢測流程以焊點狀態檢測為例展開說明。

深度學習應用需要準確、全面的數據，主要包含以下三個步驟：

大量圖像數據的收集和圖像的分類、標注、清洗是深度學習應用的前提。如果數據樣本采集不夠均勻、充分，將可能影響自動化檢測的準確性。

第二階段是模型設計，主要包括以下三個方面的內容：

為了防止模型設計方面的錯誤，需要對結果進行評估，再進行優化。在網絡結構設計好之后還要給模型“喂”數據，不斷進行迭代。

深度學習模型訓練流程：

模型建成之后，需要驗證深度學習模型在實際場景中能否成功檢測出有缺陷的點焊，此階段同樣有三個步驟：

在產線部署前，重復的場景測試也必不可少。使用配備深度學習模型的視覺設備對生產中的產品焊點進行檢測，同時人工對這些焊點進行判斷，找到差異，并利用差異優化模型，使得設備判斷結果符合生產要求。

按照以下三個步驟將深度學習解決方案部署到生產產線中驗證：

產線驗證生成的數據可用于優化神經網絡，以識別更加細微的缺陷，提升良率分析準確性，評估深度學習軟件的整體有效性。

在深度學習解決方案確定之后，制造商須決定是選擇完全自動化檢測系統，還是選擇機器與少量人工檢測相結合的系統。

前四個階段旨在提升焊點檢測判斷的準確性和穩定性，系統流程控制是指判斷之后的流程：

若判斷為OK焊點，則控制系統將元件轉移到生產線上。反之，若判斷為NG，首先識別缺陷類型，若顯示為可修復的缺陷，則將元件交付至維修區；若顯示為不可修復的缺陷，則將元件交付至廢料區；而若是遇到不確定的缺陷則收集起來將其交付給人工檢測員進行處理。

場景和缺陷分類流程：