无代码训练,精度高达90%!物体检测已经简单到这地步了吗?

2022 年 6 月 21 日 PaperWeekly



随着工业4.0时代的到来,如何借助人工智能这把利剑,实现传统生产方式的转型升级,站在新一轮工业革命浪潮的潮头,成为每个工业制造企业不得不思考的问题。工业具备大量的数据积累,工业的生产、质检、管理等各个环节都在持续、大量、快速地产生着数据,是人工智能应用的蓝海。当下,以机器视觉为代表的AI技术,正在被广泛地应用于3C电子、食品制造、汽车零部件制造等多个领域,包括缺陷瑕疵检测、生产环境安全等多项功能,AI在工业智能化转型过程中也被寄予厚望。


本期将重点聚焦汽车零部件质检,深度解析AI质检全流程实现路径。

 


工业质检领域的AI应用




制造业离不开质检。我们目之所及的产品,都是经过工业质检环节才顺利出厂。


各行各业对质检的需求旺盛
 
质检由于精细度要求高,占到工厂总人力成本的40%。举例来说,工业质检中的轴承瑕疵检测目标,可能是个小划痕,也可能是小缺口。这种情况下,瑕疵视觉感官并不直观。在整个人力检测过程中,耗时多、人力投入高。而质检效率直接影响到企业生产以及交付效率。因此,工业质检的智能化赋能已经成为节省成本,提高产能的必然趋势。
 
工业质检方向,经历三个过程的演变:

 
从上图可以看到,在深度学习阶段,可以逐步解决缺陷形态复杂、环境复杂的目标,可解决的范围更大,覆盖的场景更多。但深度学习使用门槛较高,在AI开发阶段,对原始数据的要求更高,对开发人员的要求也更高。

那么,有没有一个简单上手同时确保高效质检的方法呢?



汽车零部件AI质检痛难点




本期案例企业来自于工业轴承质检方向的解决方案提供商——韦士肯,在轴承质检方向有很深的业务场景及技术积累;但在AI算法领域,缺少足够深的技术沉淀。在智能化赋能过程中,企业遇到的缺陷检测问题,主要包括内部材质检测、尺寸/形位检测及外观缺陷检测。

 

缺陷类型及企业常用解决方案

  • 内部材质检测:包括材料成分、气孔及硬度检测,当前主要用到的技术是EM电磁技术及超声波技术做相关检测;

  • 尺寸/形位检测:如检测轴承的直径、高度以及壁厚是否达到要求,当前是通过3D激光以及微磁场技术做检测;

  • 外观缺陷检测:包括表面的划痕、磕碰、内部的锈迹。传统的机器视觉暂时无法解决相对不规则的问题,包括缺陷的定位,通常都是依赖人工检测。


该企业前期也尝试过组建算法团队做AI开发,解决检测智能化问题,但组建算法团队所需的算法人员、投入研究过程的时间成本、AI训练需要投入的服务器等机器成本累加起来,预估达到百万级。该企业的核心诉求是希望能够降低前期探索阶段的投入,利用AI赋能外观缺陷检测场景,从而提高整体质检环节的效率,以上是该企业用户的需求背景。
 
作为一家深耕轴承质检多年的解决方案提供商,他们在智能化转型的过程中遇到了以下主要问题:
首先,如何降低业务探索阶段的成本投入?
第二,如何对瑕疵缺陷做到精确的标注,从而提供高质量的训练数据?
第三,如何收集到各种瑕疵缺陷的数据,弥补缺陷样本少的痛点?
第四,如何适配各种硬件,简单高效完成部署工作?如何保证预测效率?

那么该企业用户是如何通过飞桨EasyDL逐一解决问题,并获得高收益的呢?



基于飞桨EasyDL打造的

成品轴承视觉检测解决方案




首先,针对汽车轴承的缺陷进行分析,从而初步确定需要应用飞桨EasyDL哪一类模型。


结合缺陷特点,选择适用的任务类型

基于缺陷分析确定使用飞桨EasyDL物体检测及图像分割模型。接下来围绕端面的缺陷检测着手数据准备→模型训练→模型部署。




数据准备

待检测的瑕疵缺陷过小,标注难度大,同时标注数量大,人力成本高。 在飞桨EasyDL的标注界面上,提供很多放大或缩小工具们对于缺陷较小的目标物,可以按需缩放从而进行精准标注。 如下图:


而面对数据量大的情况,可采用智能标注功能。少量标注后启动智能标注,可对已标注好的图片进行智能分析,进而将剩余图片进行一键标注。以该企业为例,200张图片手动标注用时3小时,剩余600张图片智能标注仅耗时1小时  




模型训练

部分瑕疵缺陷的样本量少,如何提升数据利用率? 借由飞桨EasyDL的数据增强功能,可将一张图片衍生多张图片,提高数据利用率。 同时,通过自动超参搜索策略,完成相对复杂场景数据训练的利用率,同时可以产出基于这个场景最优的参数组合,达到更高的模型精度。 如果目标检测物过小,可以选择小目标检测算法。 该企业在该场景中, 选择800张缺陷图片,无代码训练出精确率达90%的可用模型。 




模型部署

企业遇到的问题是整体预测时延会直接影响到质检效率。 使用EasyDL提供的模型加速功能,在精度无损的情况下压缩模型体积,降低预测时延。 该企业将模型压缩后部署在T4服务器上,单图片预测可在100ms内完成

同时,飞桨EasyDL产出的模型硬件适配广泛,通过平台一键导出适配主流硬件的SDK包完成模型部署。对于企业来说,不需要再去额外做硬件工作的适配,大幅节省了工作成本。
 
最终,该企业打造了基于飞桨EasyDL的成品轴承视觉检测解决方案。基于飞桨EasyDL机器学习检测算法,使用工业相机对产线上的轴承进行图片拍摄,通过传感器获取轴承的几何参数绘制成图像,生产现场的服务器进行图像分类和检测,判断轴承的外观质量是否符合要求,可检测轴承的擦伤、磕碰伤、磨伤、削料、锈蚀等瑕疵。




进阶攻坚

汽车零部件瑕疵质检方案解析




看完上述汽车零部件质检案例,你是否也对AI质检有了更为具象的理解。

本期百度飞桨EasyDL-汽车零部件瑕疵质检案例课程(6月23日周四 20:00),特邀资深产业专家,深度剖析AI质检在数据采集镜头选型/反光数据处理/标注等痛难点。带大家全流程了解AI质检实现路径,让AI质检,一步到位。


限时报名开启
扫码进入技术群



 点击阅读原文立即报名 

  精美礼品等你来拿!

登录查看更多
0

相关内容

2022年中国AI工业质检行业产业链分析
专知会员服务
54+阅读 · 2022年9月2日
华为《下一代数据中心白皮书》,20页pdf
专知会员服务
61+阅读 · 2022年5月31日
中国信通院《5G应用创新发展白皮书》
专知会员服务
32+阅读 · 2022年3月9日
专知会员服务
41+阅读 · 2021年10月8日
2021年中国人工智能在工业领域的应用研究报告(附报告)
专知会员服务
51+阅读 · 2020年12月28日
专知会员服务
103+阅读 · 2020年11月27日
【书籍】深度学习框架:PyTorch入门与实践(附代码)
专知会员服务
163+阅读 · 2019年10月28日
10个开源工业检测数据集汇总
夕小瑶的卖萌屋
0+阅读 · 2022年2月11日
NeurIPS 2021 | 物体检测与分割的零标签视觉学习
微软研究院AI头条
0+阅读 · 2021年12月1日
【下载】PyTorch 实现的YOLO v2目标检测算法
专知
15+阅读 · 2017年12月27日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Arxiv
0+阅读 · 2022年9月6日
Arxiv
11+阅读 · 2022年3月16日
Deformable Style Transfer
Arxiv
14+阅读 · 2020年3月24日
Arxiv
19+阅读 · 2018年5月17日
VIP会员
相关VIP内容
2022年中国AI工业质检行业产业链分析
专知会员服务
54+阅读 · 2022年9月2日
华为《下一代数据中心白皮书》,20页pdf
专知会员服务
61+阅读 · 2022年5月31日
中国信通院《5G应用创新发展白皮书》
专知会员服务
32+阅读 · 2022年3月9日
专知会员服务
41+阅读 · 2021年10月8日
2021年中国人工智能在工业领域的应用研究报告(附报告)
专知会员服务
51+阅读 · 2020年12月28日
专知会员服务
103+阅读 · 2020年11月27日
【书籍】深度学习框架:PyTorch入门与实践(附代码)
专知会员服务
163+阅读 · 2019年10月28日
相关基金
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
相关论文
Top
微信扫码咨询专知VIP会员