解决方案 | 深度学习赋予工业机器一双“慧眼”，高精准识别
在工业制造行业中，对产品的检测分析需求越来越高，而针对复杂场景和多样化的物料缺陷检测，一直是个难题。人工检测效率低，很多细小瑕疵人眼难以察觉，而传统的影像分析法在对于各种复杂的缺陷特征需要人工建模，适应性较差，也会造成大量误检、漏检。
明治传感器在计算机和深度学习领域耕耘多年，通过大量的案例实践验证，在深度学习相机与深度学习图像技术上已有突破，采用英伟达NVIDIA Jetson TX2最新平台方案，在功耗，体积，算力上都有保障。最优的算法包括图像滤波和模糊图像视频恢复算法实现更高的准确率和识别速度。通过深度学习赋予机器一双“慧眼”，对检测对象建立精确的视觉模型，结合人工智能超强算法，对于肉眼无法检测到的微小瑕疵，都能够实现实时精准检测。
今天给大家介绍明治传感器深度学习技术在3C行业应用
AirPodsPro焊点
项目需求：
◆检测耳机四个焊点是否存在漏锡、少锡、起球、焊缝间隙等缺陷。
◆ 实现OK/NG二分类，并定位是哪个焊点NG。
项目难点：
◆ 缺陷类型繁多，包含焊盘间隙、少锡、漏锡、起球、烧伤、焊盘断裂，其中烧伤、少锡只在细微的部位和良品有区别，对检测及分类算法有较大的挑战性。
◆ 由于每个焊锡的形态不尽相同，传统2D检测算法无法适配，只能用人工检测。
解决方案：
◆ 基于深度学习的分类算法实现了对缺陷和良品的分类，提高检出率和准确率。
主要收益：
◆ 检出率99%+，算法优化加速30%，提高机台检测效率及准确率能为涉及该工艺的产线节省成本。
◆ 替换了客户人工抽检的方式，并且实现产品检测全覆盖避免了不良品组装到成品中造成的经济损失。
◆ 根据统计不良品的数量可以提升生产工艺及车间操作工的作业规范及效率。
Apple AirPods充电线圈外观缺陷检测
项目内容：无线充电线圈的表面缺陷检测
线圈组成：Coil, HSG,Lead等
缺陷类型：裂纹，露底材，脏污等22种缺陷
物料说明：
项目难点：
◆ 缺陷小：最小缺陷尺寸达到0.1mm2。
◆ 缺陷多：总体检测缺陷多达22种。
◆ 要求高：验收标准高，同时考虑位置和大小。
解决方案：
◆ 基于 Vimo 工业AI多分类检测算法利用算法融合技术，优化整体效果像素级后处理，精细到每个像素。
主要收益：
◆ NG缺陷有效检出率99%+，超过绝大部分普通QC人员。
◆ 取代质检人员，减少线上工人数量80%。
◆ 节约人力成本，提示产线产量。
Apple iWatch充电线圈外观缺陷检测
项目内容：无线充电线圈的表面缺陷检测
线圈组成：Ferrit, coil 和 lead
物料形态：圆形/方型
缺陷类型：裂纹，露底材，开胶等8种缺陷
物料说明：
项目难点：
◆ 缺陷小：最小缺陷尺寸达到 0.1mm2。
◆ 缺陷多：总体检测缺陷多达 8种。
◆ 速度快：uph需要超过 1000/h。
解决方案：
◆ 里圈内窥成像，360°检测，多次曝光，最大化呈现缺陷特征，多合一模型融合，超低推理时间，为手表无线充电线圈，提供多标签缺陷检测解决方案。
主要收益：
◆ NG缺陷有效检出率99%+，超过绝大部分普通QC人员。
◆ 检测重复一致性100%，极大提升质量水平。
◆ Uph检出速率1200/h，远超人工水平。