工业机器视觉检测

应用深度学习、图像处理等技术帮助解决电子、半导体、液晶面板、新能源、汽车等产品制造过程中的缺陷识别和缺陷详细分类，提升产品良率、最大化替代人力。

立即咨询
 

  • 引擎成熟 速度超快

    基于成熟的AI平台和久经考验的检测模型，帮助企业在现有AOI（自动光学检测）设备之上快速完成缺陷的详细分类，毫秒内完成检测计算。

  • 降本增效 立竿见影

    通过自动化检测技术可以替代90%以上人力检测，大幅降低人力成本，并且提高缺陷识别的速度和准确性，缩短检测时间，提高产量和质量。

  • 准确率高 一致性好

    基于行业领先的AI图像算法和缺陷检测模型保证了高一致性和稳定性，缺陷分类模型提供了更加一致和精准的检查标准，各项指标均大幅领先于同行。

  • 边缘计算 智造平台

    边缘计算完成实时缺陷检测，在智能制造平台完成IoT数据采集、建模、训练提升、模型更迭/自学习，应用开发和部署的闭环架构，持续提升检测准确率。

 

工业机器视觉检测

现状和挑战

AOI设备

在液晶面板（Array/CF/Cell）、半导体、消费电子、汽车、新能源（光伏面板、动力电池等）等制造领域中，AOI（Automatic Optic Inspection，自动光学检测）设备被十分广泛的用于检测制造过程中的产品是否存在质量缺陷，而且AOI设备本身也是一个相当成熟而广泛的市场领域，在电子制造领域是必不可少的工业设备。

在生产线上，AOI设备会进行缺陷的初步识别，由于需要检测产品的信息量巨大（例如，AOI会对每张液晶面板阵列在十几秒内拍摄高达几百万的图片，并且标记有潜在缺陷的图片，大于30~100张不等），这也决定了这些高精度AOI设备的设计目的就是保证效率和识别有无缺陷，而无法做到对每一个缺陷进行仔细的分析和分类，因为这需要耗费大量的计算资源，所以AOI设备本身的系统软件就不是为这种任务而设计的。

因此，缺陷的详细分类、定性、及该产品下一步的工序基本上都由技术工人基于AOI设备所拍摄的产品缺陷影响来进行决定，其结论就是，如果不能高效率和高准确率的对缺陷进行详细分类和计算出下一步工序指令，这将直接影响该生产线的产能、效率、质量。

挑战和问题

  • 效率，人工辅助AOI的检测方式效率低下，海量重复性劳动易导致视觉疲劳
  • 产能，人工检测的效率和延迟造成在产品处于无效的等待时间
  • 质量，平均检测的准确度不高、人工检测的一致性差。
  • 成本，质检人员的培训成本和人力成本占产线总人数的比例过高（行业平均30%以上）
方案简介

工业机器视觉检测（Industrial Machine Vision Inspection，简称TI-IMVI）属于云工业物联网解决方案下的产品质量检测的系统组件之一，它被设计用于解决高科技行业在产品制造过程中的缺陷检测和详细缺陷类型的分类问题。具体特性如下：

  • 借助于IoT和Deep Learning技术，客户可基于行业专业知识从而创建适用于不同产品、不同型号的缺陷检测模型。
  • 将检测模型部署到生产线上的边缘计算服务器上，协助AOI（Automatic Optic Inspection，自动光学检测）设备在捕获到产品检测图像后立即识别产品缺陷，计算出缺陷的详细分类，生成工单指令，完成与MES系统对接集成。
  • 帮助企业极大的减少产品检查的时间，直接提高产能，并促进持续的过程质量改进。
  • 基于高可用、负载均衡、动态可切换等设计理念，确保自动化检测系统7x24持续运行，为客户实现“实时检测”更进一步
方案特点

投资回报

  • 立竿见影的投资回报，使用自动化检测技术，初始化可达到90%以上的缺陷识别率和准确率，上线后短期内就可以立即替代到80%以上的检测人员，并且大幅提升检测效率。
  • 不需要额外设备，直接利用当前产线上的图像拍摄系统，及图像文件存储系统。

设计思路

  • 机器学习提取视觉特征，使用深度学习、图像识处理等AI技术对污渍、杂质、高对比度区域，几何特征，异常纹理区域，颜色和亮度特征提取和验证。
  • 云端训练，边缘计算。在智能制造云平台上实现海量缺陷数据的实时采集、存储、建模、训练、提升，然后将检测模型部署在边缘计算服务器节点上，协助AOI设备检测和识别任何缺陷。考虑到某些场景对性能有更高的要求，在边缘服务器上可以配置一定数量的GPU单元，以达到最佳的检测效率。
  • 结合用户的行业经验及缺陷产品的图像数据来创建和完善缺陷库和缺陷模型，用户自己就可以轻松的创建新的业务模型，以便于为新产品、产品更新迭代后构建新的检测和分析应用。此外，客户还可以基于此平台构建新业务模型，并将自己经验和行业知识积累和沉淀在这个平台之上。
  • 可以根据用户实际需求和工业现场的条件针对CPU、VPU、GPU的运算来做深度优化和二次调整。

准确率和稳定性

  • 缺陷识别的准确性，在检测和识别缺陷时，系统会计算出该缺陷的详细类型及置信度，并且根据设定的阀值去通知MES系统或检测人员去并验证该缺陷。
  • 准确率持续提升，当客户的缺陷检测模型上线运行一段时间之后，用户可以利用深度学习能力可以基于更多缺陷图像数据再次进行学习和训练，从而持续的提高检测和识别的准确性。
 

液晶面板行业

系统架构

架构简介

液晶面板检测是一个比较专业的领域，技术装备、产品、软件算法都比较专业，但是其核心逻辑都对产品缺陷图像进行前后背景分割、缺陷识别、缺陷类型定位到详细Code这些操作。

目前，半导体行业的工业自动化、数据收集、设备网络化的基础都很好，除了生产设备的计算机设备之外，其他计算机设备均部署在单独的数据中心，工厂和数据中心通过高速光网络连接接，现有的信息系统架构为集中的数据计算已经打下了很好的基础。

技术特点

  • 制造流程对于计算性能、稳定性、高可用、效率有比较严苛的要求
  • 工厂现场无法部署边缘设备、数据全部都通过光纤直通数据中心
  • 不需要工厂现场部署边缘计算节点，而是采用边缘缺陷检测应用系统+后端AI计算平台的设计方式，不对现有生产线做任何技术改造
  • 缺陷检测系统作为前端的应用服务器，其作用是监听MES系统的消息并生成计算任务，将其下发给计算系统，不直接参与图形计算任务，通过主动轮询或者被动接受MES的检测指令，能承担非常大的并发访问和消息处理、任务派发、计算调度、自定义优先级等系统任务。
功能和集成

边缘计算系统

  • 边缘计算是一整套的自动化缺陷检测系统，提供了基于Web的管理和控制台界面，可以按工厂来进行部署，监听工业总线和MES系统的缺陷上报事件，创建检测任务并回写检测结果到工业制造执行系统。
  • 承担着工厂7x24缺陷检测任务的实时监听、调度、分配、MES集成、设备运行数据、IoT检测结果分发的任务。
  • 提供模型版本管理、调用配置、自定义缺陷计算规则，以及AI计算平台的请求负载均衡。
  • 提供缺陷检测系统的数据大屏和监控系统、接入的AOI系统的所有计算任务的统计分析（执行效率、准确率、趋势、一致性等）。

智造平台

  • 提供工业IoT接入，将工业制造设备运行数据、缺陷检测结果数据同步到智能制造数据平台。基于这些数据来挖掘和分析企业所有制造设备的制造良率、检测效率、准确率和一致性等。
  • AI计算平台提供计算引擎、图形处理基础SDK、缺陷检测模型（by 产品/型号）、计算接口调用服务封装层。
  • TI-ML机器学习让用户可以继续新数据、历史数据创建新的缺陷检测模型、或者是对原有缺陷检测模型进行训练（例如：导出那些AI未能检出的缺陷、置信度较低的的缺陷图形数据需要先进行标注，并按照缺陷代码进行人工分类），从而持续提升模型的精度，在上线后短时间内就可以达到相当稳定的运行精度。
 

客户案例