在產(chǎn)品質(zhì)量外觀檢測的世界里，人眼只能辨別那些大于 0.5 毫米大小的瑕疵還伴著巨大的誤判風險。隨著工作時間的延長，眼睛的疲勞和衰老更加增加了誤判的風險。而傳統(tǒng)的機器視覺檢測在圖像處理和瑕疵定位等方面有所欠缺，導致瑕疵檢測的準確率低，性能不穩(wěn)定，而且對于流水線實現(xiàn)智能自動檢測非常有難度。由此可見，無論是傳統(tǒng)的機器視覺檢測，還是“肉眼”檢測產(chǎn)品外觀質(zhì)量的能力和效率以及準確率和范圍都是非常有限的。


深度學習的思想源自于“人工神經(jīng)網(wǎng)絡”，從大腦中汲取靈感，模擬人腦分析問題機制并建立分析學習的神經(jīng)網(wǎng)絡。神經(jīng)網(wǎng)絡的基本構建模塊是人工神經(jīng)元-模仿人類大腦神經(jīng)元。正如大腦數(shù)十億個神經(jīng)元神經(jīng)元分布在神經(jīng)網(wǎng)絡的幾個層中，之間有數(shù)萬個連接，深度學習模型涉及大量的計算單元，它們彼此交互時對所建模數(shù)據(jù)潛在分布的多層表征進行自主學習。

為了契合日趨嚴苛的高效高標準瑕疵檢測需求，?？怂箍底灾餮邪l(fā)基于深度學習的Proxima瑕疵檢測軟件系統(tǒng)，解決客戶在產(chǎn)品表面瑕疵檢測環(huán)節(jié)遇到的各種問題。

Proxima 可檢測的主要瑕疵類型有：

劃痕  刀痕  崩缺  氣泡  凸起  凹痕  擦傷  雜質(zhì)  變形  崩邊  白點  條紋  黑點  皺縮  波紋  裂紋

Proxima軟件的特性

訓練快速，結(jié)果精確

Proxima 在訓練的過程中，通過多層神經(jīng)網(wǎng)絡層比如卷積神經(jīng)網(wǎng)絡，循環(huán)神經(jīng)網(wǎng)絡，深度神經(jīng)網(wǎng)絡，長短期記憶網(wǎng)絡等高效地對學習模型進行訓練并且將訓練速度進行優(yōu)化。因此，Proxima 的智能瑕疵檢測率高達95% 以上并具有靈活的的多功能擴展性。

性能穩(wěn)定，高效

Proxima 在學習的過程中，通過評估提取目標，特征分析以及分類模型的迭代來優(yōu)化檢測的穩(wěn)定和效率。Proxima 集圖像處理，特征識別，多種深度學習建模以及其他高科技于一身，這使得Proxima 在圖像特征的識別能力和穩(wěn)定性是其他機器視覺檢測系統(tǒng)無可媲美的。


訓練模型，方法多元化，應用性廣泛

Proxima 可根據(jù)訓練集評估，生成可應用的高效學習模型。Proxima 通過切換多種自主研發(fā)的機器學習模型，使得訓練高效并且結(jié)果輸出穩(wěn)定。目前Proxima 已廣泛投入到3C 行業(yè)（電子，通訊和消費品）瑕疵檢測中。汽車行業(yè)，航空航天零部件和裝配件上也是Proxima 馳騁的領域。


結(jié)果輸出迅速且可視化

Proxima 的結(jié)果報告輸出非常迅速，結(jié)果報告不僅含瑕疵的定位，形狀，尺寸以及分類等，還包含了統(tǒng)計信息等。用戶可直接打開報告并快速預覽報告。 

操作簡單易上手

Proxima 研發(fā)團隊無論是在軟件的操作還是界面的設計，都遵循簡單易上手的設計理念，以便大部分的用戶無需進行復雜的培訓就可上手。Proxima 的軟件界面遵循微軟辦公的標準設計。操作流程上只需“標注，訓練，檢測，”三步即可出結(jié)果。


 內(nèi)置先進算法且適用性強

Proxima 支持多種圖片預處理的高級算法，卷積神經(jīng)模型等機器學習模型和結(jié)果的統(tǒng)計分析。Proxima 可通過標準的網(wǎng)線傳輸TCP/IP 協(xié)議與其他廠商的測量設備比如X-Ray 所拍攝的照片進行瑕疵檢測。

區(qū)別于其他傳統(tǒng)的缺陷檢測方式，海克斯康的的Proxima瑕疵檢測系統(tǒng)只需要少量的瑕疵圖片就可在短時間內(nèi)進行大規(guī)模的訓練。而且采用GPU專用處理算法，大幅提升檢測效率，以及通過基于深度學習的檢測算法,可以提高準確度，降低漏檢率和過殺率。

不僅僅是瑕疵檢測…

Proxima將軟件瑕疵檢測與尺寸檢測合二為一，解決用戶瑕疵需求的同時也解決用戶尺寸的檢測需求。這項功能可謂是一舉兩得，減少了大量的時間和投資成本，提升了產(chǎn)品質(zhì)量的同時也驅(qū)動產(chǎn)量的提升。


Proxima的優(yōu)勢


Proxima 聚焦于產(chǎn)品外觀瑕疵檢測，相比于人工視覺檢測和傳統(tǒng)的機器視覺檢測，這雙慧眼具有以下不可比擬的優(yōu)勢：

圖像分析：

人工檢測/傳統(tǒng)機器視覺：無法分析無規(guī)律的圖像

Proxima：利用深度學習的算法對瑕疵進行學習， 提取，分析，無規(guī)律圖像變成可分析

準確率：

人工檢測/傳統(tǒng)機器視覺： 準確率無論是人工和傳統(tǒng)機器都偏低，易出現(xiàn)誤判

Proxima：通過深度學習算法，高級圖像處理， 模式識別等提高了檢測的精準度高達95%

自動化：

人工檢測/傳統(tǒng)機器視覺：實現(xiàn)流水線上的檢測自動化圍墻高

Proxima：檢測瑕疵的同時，可在線實現(xiàn)尺寸檢測，實現(xiàn)瑕疵 + 尺寸檢測的自動化

返回