在現(xiàn)代工業(yè)生產(chǎn)中，視覺(jué)檢測(cè)技術(shù)的應(yīng)用正變得越來(lái)越廣泛，它在提高產(chǎn)品質(zhì)量、優(yōu)化生產(chǎn)流程方面發(fā)揮著至關(guān)重要的作用。然而，與人臉識(shí)別、交通監(jiān)控、安防監(jiān)控等應(yīng)用場(chǎng)景相比，工業(yè)視覺(jué)檢測(cè)項(xiàng)目的場(chǎng)景更為特殊，它很難與當(dāng)下主流的AI平臺(tái)工具配型，或者是通過(guò)單一算法模型進(jìn)行訓(xùn)練，通常情況下，工業(yè)視覺(jué)檢測(cè)項(xiàng)目面臨著一系列獨(dú)特的難點(diǎn)與挑戰(zhàn)。比如：

算法實(shí)現(xiàn)難。工業(yè)環(huán)境中的背景往往非常復(fù)雜，對(duì)比度較低，而且工業(yè)產(chǎn)品中的缺陷種類繁多，簡(jiǎn)單的項(xiàng)目就可能涉及10種以內(nèi)的缺陷類型，復(fù)雜的項(xiàng)目則可能包含上百種不同的缺陷類型。這些缺陷不僅數(shù)量眾多，而且差異較小，給算法的設(shè)計(jì)和優(yōu)化帶來(lái)了極大的挑戰(zhàn)。

樣本收集難。在許多質(zhì)量控制嚴(yán)格的生產(chǎn)線上，缺陷樣本非常稀缺，特別是在高良品率的產(chǎn)品制造過(guò)程中，特定缺陷的出現(xiàn)頻率極低，這導(dǎo)致相關(guān)缺陷樣本的收集周期可能長(zhǎng)達(dá)數(shù)月甚至數(shù)年。

檢測(cè)要求高。通常情況下，工業(yè)視覺(jué)檢測(cè)項(xiàng)目不僅需要達(dá)到零漏檢的標(biāo)準(zhǔn)，同時(shí)還必須保證圖像處理的速度足夠快（往往要求在毫秒級(jí)別內(nèi)完成），這樣的高標(biāo)準(zhǔn)對(duì)算法的設(shè)計(jì)提出了更高的要求。

客戶非常關(guān)心部署與維護(hù)的成本。為了確保系統(tǒng)的穩(wěn)定運(yùn)行，工業(yè)視覺(jué)檢測(cè)系統(tǒng)不僅需要具備高度的可靠性，還應(yīng)易于維護(hù)，并能夠迅速?gòu)?fù)制到其他生產(chǎn)線上，這要求系統(tǒng)設(shè)計(jì)時(shí)充分考慮硬件和軟件的兼容性、可擴(kuò)展性和易用性等。

設(shè)計(jì)一套工業(yè)視覺(jué)檢測(cè)算法方案的具體步驟

在種種挑戰(zhàn)下，如何才能設(shè)計(jì)出一套工業(yè)視覺(jué)檢測(cè)算法方案？

阿丘科技認(rèn)為，確保檢測(cè)系統(tǒng)的性能和效率是關(guān)鍵，以下是較為詳細(xì)的步驟指南，可幫助工程師或項(xiàng)目管理者理解并制定可落地的工業(yè)視覺(jué)檢測(cè)算法方案。01

明確需求

在開始設(shè)計(jì)算法方案之前，首要任務(wù)是進(jìn)行詳盡的需求梳理。包括對(duì)需求項(xiàng)進(jìn)行細(xì)致的拆解，以確認(rèn)項(xiàng)目中涉及的多個(gè)工位、所需處理的圖像數(shù)量、檢測(cè)項(xiàng)的數(shù)量以及相應(yīng)的標(biāo)準(zhǔn)。這一步驟至關(guān)重要，它為整個(gè)項(xiàng)目設(shè)定了基礎(chǔ)和方向。

同時(shí)，檢測(cè)要求包括對(duì)過(guò)檢和漏檢指標(biāo)的具體要求，以及CT（Cycle Time，周期時(shí)間）的要求。過(guò)檢和漏檢指標(biāo)是衡量檢測(cè)系統(tǒng)性能的關(guān)鍵參數(shù)，它們直接影響到產(chǎn)品質(zhì)量和生產(chǎn)效率。CT時(shí)間要求則關(guān)系到檢測(cè)系統(tǒng)在生產(chǎn)線上的實(shí)時(shí)響應(yīng)能力，對(duì)于保證生產(chǎn)流程的連續(xù)性和穩(wěn)定性至關(guān)重要。

02

單圖方案設(shè)計(jì)

（1）算法方案設(shè)計(jì)流程

對(duì)于單張圖像的算法方案設(shè)計(jì)，步驟如下。

第一步，完成單一檢測(cè)項(xiàng)的算法方案設(shè)計(jì)。這一步涉及到選擇合適的算法工具和參數(shù)，以實(shí)現(xiàn)對(duì)特定缺陷的檢測(cè)。

第二步，在單一檢測(cè)項(xiàng)算法方案的基礎(chǔ)上，進(jìn)行局部算法流程的合并。這一步的目的在于優(yōu)化算法流程，提高檢測(cè)效率，減少冗余步驟。

（2）單圖算法整合

在單圖算法整合階段，常見(jiàn)的做法是讓不同的檢測(cè)項(xiàng)共用一個(gè)ROI提取工具，如下圖所示。這種方法可以提高算法的效率，減少對(duì)計(jì)算資源的需求，同時(shí)保持檢測(cè)的準(zhǔn)確性。

（3）產(chǎn)品算法方案整合

在完成了各個(gè)工位的單圖方案設(shè)計(jì)后，下一步是整合這些方案，形成產(chǎn)品的完整算法方案。這一過(guò)程需要結(jié)合視覺(jué)系統(tǒng)檢測(cè)流程，繪制出算法流程與時(shí)序圖，以評(píng)估當(dāng)前方案是否能夠滿足速度要求，并對(duì)硬件配置（主要為顯卡）進(jìn)行評(píng)估。在整合算法方案時(shí)，需要注意以下幾點(diǎn)：

第一，設(shè)計(jì)整體算法流程時(shí)，如果對(duì)速度的要求較高，則應(yīng)盡可能并行處理。例如，在下方展示的時(shí)序圖中，采集圖像、傳統(tǒng)前處理、AI檢測(cè)和結(jié)果匯總等步驟都應(yīng)實(shí)現(xiàn)并行處理，以保證檢測(cè)流程的節(jié)奏緊湊，滿足生產(chǎn)線的高速要求。

第二，當(dāng)多個(gè)AI模型同時(shí)進(jìn)行推理時(shí)，應(yīng)按照串行方式預(yù)估總耗時(shí)。盡管在實(shí)際操作中可以并行處理，但由于顯卡運(yùn)算機(jī)制的限制，并行處理帶來(lái)的效率提升有限。例如，統(tǒng)計(jì)AI部分的耗時(shí)預(yù)估，可以分別對(duì)每個(gè)模型進(jìn)行預(yù)估，然后將時(shí)間相加，得到AI處理的總時(shí)間。

通過(guò)上述詳細(xì)的步驟和考慮因素，可以盡可能地確保算法方案的科學(xué)性、合理性和可行性，為工業(yè)視覺(jué)檢測(cè)項(xiàng)目的成功實(shí)施奠定堅(jiān)實(shí)的基礎(chǔ)。

算法方案優(yōu)劣評(píng)價(jià)的標(biāo)準(zhǔn)

在設(shè)計(jì)出一套工業(yè)視覺(jué)檢測(cè)算法方案之后，可以通過(guò)以下三個(gè)維度，對(duì)算法方案進(jìn)行評(píng)價(jià)。

01

技術(shù)可行性

判斷算法方案的技術(shù)可行性，即能否滿足客戶的檢測(cè)效果要求與性能要求。此時(shí)，通常會(huì)選擇有代表性的難點(diǎn)項(xiàng)目進(jìn)行輕量級(jí)的離線POC（Proof of Concept）測(cè)試。這些測(cè)試項(xiàng)目會(huì)涵蓋關(guān)鍵檢測(cè)項(xiàng)，以確保算法在實(shí)際應(yīng)用中能夠有效工作，并且滿足速度要求。

如果測(cè)試結(jié)果不理想，可能需要與客戶協(xié)商調(diào)整項(xiàng)目范圍或降低某些指標(biāo)的要求。例如，如果檢測(cè)系統(tǒng)的漏檢率無(wú)法達(dá)到零，可以與客戶討論是否可接受一定的漏檢率，以換取更高的處理速度。

02

算法的投入產(chǎn)出比

工業(yè)視覺(jué)檢測(cè)系統(tǒng)通常需依賴高性能的硬件支持，如多張高性能顯卡。這些硬件設(shè)備的成本較高，因此在評(píng)估算法方案時(shí)，需要考慮硬件投入是否經(jīng)濟(jì)合理（例如，使用高性能GPU可以顯著提高圖像處理速度，但也增加了初始投資成本）。

而且，有些項(xiàng)目的算法開發(fā)周期過(guò)長(zhǎng)，不僅會(huì)影響項(xiàng)目的按時(shí)交付，還會(huì)增加人力和資源的投入，且交付過(guò)程的復(fù)雜度也會(huì)增加項(xiàng)目的總體成本。因此，需要評(píng)估項(xiàng)目的開發(fā)周期和交付流程，確保項(xiàng)目能夠在預(yù)定的時(shí)間內(nèi)順利交付。同時(shí)，過(guò)程中還需要技術(shù)人員與業(yè)務(wù)部門密切合作，共同判斷項(xiàng)目的商業(yè)可行性。

另外，AI技術(shù)在開發(fā)階段門檻低、投入少，是其相對(duì)比傳統(tǒng)算法的一大優(yōu)勢(shì)。許多客戶通過(guò)阿丘科技的工業(yè)AI視覺(jué)算法平臺(tái)軟件AIDI，使得原本需要調(diào)用幾十甚至上百個(gè)算子的傳統(tǒng)方法，變?yōu)橹恍枰粋€(gè)AI模塊就能實(shí)現(xiàn)缺陷檢測(cè)，而且初版模型的訓(xùn)練、測(cè)試，不需要圖像算法基礎(chǔ)，也無(wú)需代碼基礎(chǔ)。

03

算法的維護(hù)成本

項(xiàng)目后期的維護(hù)成本往往在項(xiàng)目前期時(shí)會(huì)被忽略，但當(dāng)項(xiàng)目批量交付，維護(hù)成本開始顯現(xiàn)，通常會(huì)占用算法團(tuán)隊(duì)大量的時(shí)間。

傳統(tǒng)的算法方案在維護(hù)階段需要算法工程師頻繁調(diào)參，不僅增加了維護(hù)成本，還影響了系統(tǒng)的穩(wěn)定性和可靠性。而當(dāng)大部分檢測(cè)方案改為以AI為主或AI與傳統(tǒng)算法結(jié)合后，算法維護(hù)工作逐漸轉(zhuǎn)給售后團(tuán)隊(duì)，甚至客戶產(chǎn)線上的一線員工也可以承擔(dān)起AI模型訓(xùn)練的工作。

以上核心內(nèi)容均來(lái)自阿丘科技《工業(yè)視覺(jué)檢測(cè)算法方案》白皮書，其中全面介紹工業(yè)視覺(jué)檢測(cè)技術(shù)的現(xiàn)狀與趨勢(shì)，深入分析當(dāng)前面臨的技術(shù)難題，并提出創(chuàng)新的算法解決方案。