随着工业制造水平的不断提高，用户和生产企业对产品质量的要求越来越高，除要求满足使用性能外，还要有良好的外观，即良好的表面质量。但是，在制造产品的过程中，表面缺陷的产生往往是不可避免的。

传统检测产品表面缺陷的主要方法是人工检测，该方法抽检率低、准确性不高、实时性差、效率低、劳动强度大、受人工经验和主观因素的影响大，而基于机器视觉的检测方法可以很大程度上克服上述弊端。

一、业务流程

AI表面无人质检系统业务流程如图1所示。

二、系统架构

AI表面无人质检系统的系统架构图如图2所示。

三、机器视觉表面缺陷检测实现

1 照明系统

照明系统由工业摄像机、光学镜头、光源及其夹持装置等组成。在光源的照明下，通过光学镜头将产品表面成像于相机传感器上，光信号先转换成电信号，进而转换成计算机能处理的数字信号，完成产品表面图像的采集。

工业摄像机采用CCD线阵工业摄像机。

光源采用LED光源，其体积小、功耗低、响应速度快、发光单色性好、可靠性高、光均匀稳定。

现场采用暗场照明，将相机与光源部署在同侧，使间接接收光源在目标上的散射光，获得高对比度的图像。

（1）投票融合算法是将多个算法的模型预测结果中多数相同的结果作为最终结果。

（2）线性加权融合拳法是为每个算法的预测模型设置一个权重，将算法SDK的模型预测结果进行加权平均。

（3）瀑布融合算法是将前一个算法的模型预测结果作为下一个算法SDK模型预测结果的候选集合输入，层层递进，最后筛选出最优的结果。

（4）预测融合算法是对所有的算法的模型预测结果进行二次模型训练，然后使用训练后得到的模型进行模型预测，并生成最终模型预测结果。

（5）数字图像处理算法

数字图像处理算法处理流程包括图片预处理，特征提取，分类器缺陷分类。

由于工业现场采集的图像通常包含噪声，图像预处理主要目的是减少噪声，改善图像的质量，使之更适合人眼的观察或机器的处理。图像的预处理通常包括空域方法和频域方法，其算法有灰度变换、直方图均衡、基于空域和频域的各种滤波算法等。

图像的特征提取是从高维图像空间到低维特征空间的映射，其基本思想是使目标在得到的子空间中具有较小的类内聚散度和较大的类间聚散度。主要采用纹理特征、颜色特征、形状特征等。

最后通过分类器进行缺陷类型分类，分类器算法包括：SVM（支持向量机），MLP（多层感知器）。

（6）神经网络算法

· 卷积神经网络

· 目标检测

该方法是找出图像中所有感兴趣的目标（物体），确定它们的位置和大小，主要使用的算法有ssd_mobilenet算法，faster_rcnn算法。

（7）无监督学习

工业现场在某些场景下难以获得足够数量的缺陷样本进行学习，而无论是数字图像处理方法还是神经网络方法都严重依赖于足够的样本数。无监督缺陷检测的方法具有不需要标签数据也可预测缺陷能力。

首先，结合GAN和Autoencoder算法进行图像样本修复（重建），然后，利用LBP算法比较恢复后的图像 和原始输入图像，从而更准确的找到缺陷的位置。

四、产品功能

（1）缺陷库管理

支持通过向缺陷库导入产品缺陷图片完成对产品缺陷特征的提取，可持续进行模型训练，提升预测模型。

（2）抓拍库管理

（3）结果通知

（4）数据标注

（5）生产经营报表

系统提供产品缺陷统计分析报表，包括：产品次品率报表，产品缺陷分析报表，缺陷类型分析报表等。

五、部署方案

将模型训练部署于拥有强大计算资源的云计算中心，接收智能网关上传的缺陷图片进行模型训练，最后将训练后的预测模型自动部署到智能网关中。AI表面质量检查系统架构图如图3所示。

六、推广价值

当前制造业产品表面缺陷检测主要有人工质检和机器视觉质检两种方式，其中人工质检占90%，机器视觉质检只占10%。人工质检成本高、误操作多、生产数据无法有效留存。在线钢生产过程中，质检员基于传统作业方式采用手电筒作为光源，对线钢进行挨个抽样检查。这种方式对经验依赖程度较高，人工质检存在较大的主观因素，长期作业导致的视觉疲劳也会影响质检精度与效率，漏报、漏检的情况屡见不鲜。且线钢余温烫伤质检员的事故屡有发生。

由于职业因素，质检行业人员流动性较高，带来较重的培训和用工成本。AI表面无人质检系统可以帮助成千上万的一线质检工人，减轻大量高重复性、高频次的工作，提升效率，解放更多劳动力。

与传统人工质检相比，AI表面无人质检系统具有如下优势：

（1）节省人力

传统人工检测方式，如果对产品依次进行检查，工作强度大，需要大量的人力投入，通过机器视觉智能诊断，可以将人力从大量的重复质检工作中解脱出来，大幅度节省人力成本。

（2）提高质量保障

（3）提高生产效率

AI表面无人质检系统基于网宿多年在人工智能技术上的积累，赋能工业质检领域。通过深度学习技术和图像处理算法，预测准确率高达97%以上，且准确率随着数据量提升可持续优化。

（5）实时响应

相对于传统云计算技术，依赖于云计算中心资源，工业现场视频数据需要全部上传云计算中心进行计算，这不仅会带来带宽成本增加，而且网络延迟也不能适应实时生产控制的需求。AI表面无人质检系统采用先进的边缘计算技术，将AI应用下沉到生产车间，在靠近设备的地方进行机器视觉分析，降低视频传输对带宽需求，缩短了应用响应时间，提高了业务实时性。

（6）信息安全

未来，AI表面无人质检系统可在钢铁、汽车、纺织、家居等各个领域进行推广应用，可以有效地实现企业生产自动化、提升检测和生产效率，增强市场竞争力，具有良好的行业复制性。

本文来源于网络，本着学习交流的目的进行转载，已标注原始作者和出处，如存在异议，请联系editor@xingongye.cn。如您对内容有疑问，请告之，以便我们及时处理。