本文是【AI工业自动化第三期】深度学习+机器视觉：下一代工业视觉检测技术路线 的观看笔记，看完之后，收获良多。
文中图片来自 B站视频：
文章目录
深度学习 + 传统机器视觉：下一代工业视觉检测技术路线 认识工业视觉系统
官网上的一个截图：
工业视觉与计算机视觉不同：
对检测结果要作出一系列行动。
成像、光源设计这一块儿，工业视觉背景更加单一。
四大领域：
引导在工业视觉中很重要。
测量：核心在于精度。硬件、光学影响比较大，其实与AI这一块儿关系不大。
识别：条码、OCR字符 复杂度不高，但是难点在于软硬件结合。
引导：对算法要求较高。2D定位：模板匹配（较简单） 3D定位：上下料、物流。
检测：国内有能力做复杂缺陷检测的公司比较少。 AI主战场
大部分工业视觉的全景
工业视觉检测现状：
工厂质检员比例：10%->30%
组装这一块儿随着自动化技术提高，需要的人工降低了，但是质检这一块儿，人工比例却越来越高。
对于误检，工厂里边很多这样的：前面AOI系统检测，后边配几个人工
为什么？
深度学习的优势与劣势
AI工业检测落地流程
红色是用AI去做和传统不一样的地方。
工业里面的并不是一味地堆数据。
数组类型、怎么标注。
第六步中，传统：先做出来，然后再派技术支持到现场部署。 深度学习：先有一个粗略的模型，到现场后再完成算法。
案例：
AIDI用于连接器检测
3C精密模组检测方案：
刮伤、压伤都属于行业难点，一般用AI去做。
AIDI连接器检测算法方案
真正使用传统算法做的只有圆点超1/2（B面），其他有的是用传统算法辅助。
AI落地工业视觉的难点与阿丘解决之道
小样本效果好->加大样本测试后效果又变差 ->深渊 ：加大数据量后，有的缺陷检测率提高了，有些缺陷检测率降低了，进入震荡期，很多公司到这一步就放弃了。
AI落地工业视觉很难，套路很少。
让算法趋于可控。
AI工业检测四大坑
很多外行人低估缺陷检测难度。
缺陷检测难度远远高于定位。
需求之坑：1. 客户要求漏检、过检都为0。客户不懂技术，会有过高的预期。2. 有些公司就让你过来，也不提具体需求，就说你只要把现在的质检员替换掉就OK了，哈哈哈，真实，这样会比较费劲儿，后期需求更改啥的很麻烦，这种客户直接拒绝就好。
数据之坑：
模型之坑：过拟合：小样本上比较好，大样本效果差。
经验：工业检测上，神经网络的层数没必要太多，基本上20多层已经完全够了，层数过深的话，模型复杂度高于问题复杂度，容易出现过拟合。
模型迁移：传统方法通过改参数，AI的话需要进行迁移。
AIDI：工业人工智能视觉检测平台软件
第一步缺陷定位容易出现过检，通过第二步像素级分析，通过一些像素级技术， 降低过检，最后分类。
应用场景
开始推销软件了，哈哈
解答问题
工业图像会有自己的一个特点，比如样本比较少，图片比较大（一张图片上百M，甚至一个G），所以会有几个方向，第一块儿是小样本的问题。第二块儿是非监督模式，用正向本建模的问题（好像是这个词）。第三块儿是数据生成的问题。第四块儿是高分辨率图像处理的问题。
这个问题很大程度上是取决于客户的一个周期，客户的规划。一般如果客户配合比较好的话，预计2~3个月，阿丘这边比较快，因为阿丘这边不做整机设备，只做AI软件，只需要和视觉系统集成商，包括设备公司去合作，一般2到3个月，第一套、第二套上线，后边copy的话，如果类似的产品，时间会比较快。
转产的成本我没太理解，我就按迁移吧，从0到1、以及从1到N是一个非常有意思的问题，也是一个必须解决的问题。如果说产品类似的话，大体上，基本上98%的基准版是有了，但是后面还需要上线，根据产线的数据再做一个迭代，等于说是你软硬件的工作是有了，主要核心迭代算法模型就OK了。这里边一般需要一个技术支持在现场，去采集一些图片，在之前的基础上再加一下样本，尤其是检测不太好的样本，做一个。
我觉得这个问题不太好回答，是因为他看起来具体但有点抽象，这和场景关联度比较高，以及它脏污脏在什么地方，这个如果有问题，可以私下交流。
其实阿丘不是做AOI或者AVI这一块儿的，我们是做AOI或者AVI里面的AI软件或AI算法算法工具平台这一块儿，有点偏通用的属性。可能行业里边知道的，康耐视、WIDI、，所以我们偏软件这一块儿，但是我们的产品，AI、DI这一块儿会在客户的AOI系统上面去使用。比如说对精密结构件的检测
首先，工业流程核心环节是什么，检测这个事很多人可能认为它不是工业流程中特别核心的一个事，会有这种认知。我觉得我这样回答这个问题吧，首先工业里边哪些地方需要AI吧，目前看来，几个地方比较多，第一个就在于设备的预警这一块儿，第二个在于质量控制这一块儿，第三个在于设备参数的优化这一块儿，但这一块儿更倾向于传统机器视觉。所以关于工业流程的核心，质量控制也是企业很关心的一个点。 做外观检测或者做检测绝不是简单的为了替代人，它是质量管控非常重要的一个工具。稍微展开一点，检测这一块儿分为过程中检测和最终环节检测，过程中检测主要为了监控它，我究竟出现哪些质量的问题，哪些出现的概率比较高，哪些出现的概率比较低，我下一步决定干什么，出现概率比较高的缺陷与哪些工艺相关，哪些工艺设备对它的影响比较大，这样可以去做质量的工艺分析，去改善工艺制程，在面板半导体领域等，已经在往这方面去做了。不同领域会有不同的进度。
这要根据场景的复杂度，根据我们的经验，不需要的太多，单一的缺陷的话，图片在30到50张，多一点的话，100张、200张，超过千张的比较少。
这个问题如果结合案例来讲的话会更好一点，打标签核心的话，就是标注信息的时候把信息量标出来，就有些的你不一定只标注缺陷，缺陷的一些周边信息，背景信息都标注出来，可能会有助于你解决问题。
有信心
正样本一般不需要生成，正样本非常好收集，一般会生成负样本，比如划伤。17年研究过数据生成，但是计算机生成的图像和真实数据还是有区别的，所以当时做的不太深。但是19年，我们也在尝试，在用神经网络去做，但这个目前不是一个通识的问题。
确实，在工业场景是需要研究小样本问题的，大数据不在于它数量的大，而在于它信息的大，尽量让信息的密度加大。就比如说，一类缺陷可能有三五十张，20类的话，也就有1000张左右，只要它能够把主流的模式涵盖调，再使用一些数据生成的技术，把它扩一下，但是真的不需要太多。技术细节不能在这里share，哈哈
OCR的识别简单，但是如果涉及到中文、日文、英文的字符，比如缺了一个点，这属于印刷品缺陷检测，这有一定复杂度，但是可解。
看场景吧，不能一概而论。
最近有接触过智能验布这一块儿，目前没有完全上线，技术论证这一块儿还需要一些优化。
精细一点的缺陷需要用分割辅助其他的一些方法，大的比较宏观的缺陷用正样本建模就OK了。这里面有使用不同模块儿的问题。
对缺陷这一块儿不能单纯的看成图像的问题，缺陷认知三段论：缺陷分关键的缺陷、重要的缺陷（我觉得这里阿丘嘴瓢了，应该是不重要的缺陷吧）、主观性的缺陷（有争议的缺陷，需要去和客户谈一个标准）
AIDI我们目前涉及的行业六七个有了，如果具体场景的话，六七十个场景是有的。
正常如果我们不参与协助辅导的话，这个时间不太可控，如果他们有有经验的工程师的话，一个两个月的都有。如果我们去协助的话，是以周为单位。
这个也是客户喜欢提出的问题，我个人认为这有点钻牛角尖了。首先，确实会出现
一些新的缺陷之前在设计模型、训练没有做的这种情况，但这并不意味着AI算法识别不出来，AI算法其实是一个偏模式的特征工程，比如说你这个新缺陷和之前的某个缺陷比较像，而且比较像，一般情况下能识别出来。如果识别不出来，就在模型的基础上把这些东西加进去，重新一下。如果有问题，再调整一下，通过这种方式可以解决。
真的想落地的话，公司需要具备设计网络的能力，可以参考，或者说
等一系列经典的网络，细节这一块儿，比如loss函数，很多地方需要自己调整。
很多人和时间扑上去，开始会出现这种情况，但是随着你做的有经验，这个边界成本会降下来，我们的客户群主要以中间商为主，很少做终端客户，即便是终端客户，也是他们的自动化部门。所以，目前公司其实是没有很大的人员投入
这个问题很专业。传统方法的需要花很长时间和精力去设计算子，但是深度学习会好很多，成本会降低，效率会提升。
我们不做最终的解决方案，但是我们的合作伙伴中有在做这方面的一些检测。其实目前并没有看到特别成熟方案。手机2.5D缺陷检测这一块儿，有些公司做的还OK
这个和行业差异有关，有钱的行业它的容忍度高，比如3C的话，大概在一年半以内。 拿我们AIDI来做的话，大概6个月到12个月，能够回收成本。
参考：
相关文章
