摘 ?要：人工智能如何在工廠落地？如何用深度學(xué)習(xí)的方法來推動傳統(tǒng)產(chǎn)業(yè)的效率提升？本文介紹了在產(chǎn)品缺陷檢查中引入深度學(xué)習(xí)的原理，實現(xiàn)路徑及方法，并通過實際案例對其經(jīng)濟效益做了比較，希望對相關(guān)從業(yè)者帶來一些借鑒或啟發(fā)。

關(guān)鍵詞：人工智能;自動光學(xué)檢測;Automated Optical Inspection （AOI）;深度學(xué)習(xí);Deep Learning;人工神經(jīng)網(wǎng)絡(luò);Artificial Neural Network （ANN）;卷積神經(jīng)網(wǎng)絡(luò);Convolutional Neural Network（CNN）;誤判（Overkill）;漏判（Underkill）

隨著珠江三角洲和長江三角洲一帶用工荒的蔓延，越來越多的工廠開始嘗試用自動光學(xué)檢測（AOI）來代替人工目檢。

如果在自動光學(xué)檢測中使用深度學(xué)習(xí)功能，用一定量的樣本來進行反復(fù)訓(xùn)練，通過神經(jīng)網(wǎng)絡(luò)的自我進化，使機器達到一定程度的人工智能，可以大大提高漏判（Underkill）率和誤判（Overkill）率，達到遠(yuǎn)超人工目檢的效率和可靠性，這就是我們這次力爭要達到的目的。下面講講我們使用的深度學(xué)習(xí)的原理。

卷積神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)中應(yīng)用最廣泛的網(wǎng)絡(luò)模型之一。特別是在Krizhevsky等專家提出了一種經(jīng)典的CNN架構(gòu)，論證了深度結(jié)構(gòu)在特征提取上的潛力，并在圖像識別任務(wù)上取得了重大突破之后，CNN得到了人們越來越多的關(guān)注和研究。本次任務(wù)就采用這種網(wǎng)絡(luò)來進行PZT缺陷的識別。圖中RELU（Rectified Linear Unit），又稱修正線性單元，是一種激勵函數(shù)，它可以讓大數(shù)值通過，而讓一些神經(jīng)元處于不會激發(fā)的陳舊態(tài)，因此可以加快訓(xùn)練速度。池化層位于卷積層之間，通過最大值或平均值采樣在層間減少圖像大小。壓平層用來將多維的輸入一維化，常用在從卷積層到全連接層的過渡。深度神經(jīng)網(wǎng)絡(luò)的最后一層往往是全連接層+Softmax（分類網(wǎng)絡(luò)）。

在實際操作中，我們購買COGNEX（康耐視）的商業(yè)軟件COGNEX ViDi的開發(fā)版來作為我們進行深度學(xué)習(xí)的訓(xùn)練平臺。在該平臺上通過如下步驟來將上述原理落地：1）.收集：收集好品和壞品的圖像;2）.標(biāo)記：在壞品的圖像上標(biāo)記缺陷類別;3）.訓(xùn)練：用COGNEX ViDi平臺訓(xùn)練軟件模型;4）.驗證：用正常流拉的產(chǎn)品來檢測，讓有經(jīng)驗的工人對其結(jié)果來進行驗證，對其判斷錯誤的產(chǎn)品重新進行標(biāo)記，再返回去訓(xùn)練模型，如此循環(huán)，經(jīng)過一段時間的運行后，其漏判（Underkill）率由最初的2%降到0.01%，誤判（Overkill）率由最初的5%降到0.2%，取得了遠(yuǎn)遠(yuǎn)好于人工檢測的效果。

為便于讀者對其流程有個更直觀的認(rèn)識，我們舉一個實際的例子來進行說明。

PZT是安裝在電腦磁頭上的壓電陶瓷，一個磁頭模組上左右兩側(cè)對稱各安裝一個，通過它能夠?qū)Υ蓬^飛行姿態(tài)進行微調(diào)，從而能夠穩(wěn)定地讀寫磁盤上的數(shù)據(jù)。為了達到這個目的，就必須對PZT進行嚴(yán)格檢測，使它不能有如下缺陷：裂紋、離起、彎曲、劃痕、擦傷、歪斜、PZT缺失 、多膠、少膠、極性錯、毛刺、白點、黑點、白色纖維等。當(dāng)前人工PZT目檢是工人在40倍顯微鏡下看PZT的各面是否有缺陷，存在速度慢，容易疲勞，易漏檢等，且效率不高，現(xiàn)在人均檢測每天4000-5000個，6s/pcs。計劃開發(fā)一款自動視覺檢測機器替代人工檢測，實現(xiàn)3000UPH（unit per hour，每小時生產(chǎn)工件數(shù) ）檢查要求。

我們用6臺相機來提取圖像，各組相機分工如下，

第1組相機： 檢測PZT正面多膠、少膠、極性錯、歪斜、PZT缺失、白色纖維等。

第2&3組相機： 檢測PZT側(cè)面裂紋、離起、彎曲等。

第4組相機： 檢測PZT正面裂紋、劃痕、擦傷、歪斜、PZT缺失 、毛刺、白點、黑點等。檢測PZT側(cè)面裂紋、離起、彎曲等。

準(zhǔn)備數(shù)據(jù)集（Dataset）。為了使用深度學(xué)習(xí)算法，要收集一些帶缺陷或不帶缺陷的PZT樣品，為它們加上標(biāo)記，這些圖像及相應(yīng)的標(biāo)記被用作訓(xùn)練深度學(xué)習(xí)模型的數(shù)據(jù)集。如下圖所示。注意：為了檢測出每一種缺陷，用作訓(xùn)練的數(shù)據(jù)集必須包括所有種類的缺陷。

訓(xùn)練階段。在訓(xùn)練階段，如果模型輸出和標(biāo)記之間有差異，系統(tǒng)將自動更新深度學(xué)習(xí)模型。如此訓(xùn)練模型來學(xué)習(xí)PZT圖像的特征，盡力在自己的輸出中分割出帶標(biāo)記的缺陷。這個過程叫監(jiān)督學(xué)習(xí)，而標(biāo)記可以看作為一個老師。

驗證。在訓(xùn)練完成并保存結(jié)果后，即使新輸入的圖像不在數(shù)據(jù)集內(nèi)，深度學(xué)習(xí)模型也能夠?qū)ζ涫荗K或NG作出預(yù)判。注意：此階段不必為產(chǎn)品提供標(biāo)記。

機器動作簡介：如下圖四所示，托盤（本次檢測的產(chǎn)品是由多層復(fù)合材料貼合成厚度為0.04mm的條狀物，用定位銷定位，用3條薄壓條壓在托盤上，托盤內(nèi)有磁鐵將壓條吸在托盤上）被工人放入上料單元的氣爪上，升降氣缸下降，氣爪打開，托盤落到輸送盤上，橫向移料機構(gòu)上的氣缸將其沿X方向拍齊，輸送盤上自帶的夾緊氣缸在Y方向夾緊，此時輸送盤通真空，真空通過托盤上的幾排孔將產(chǎn)品緊緊吸在托盤上，輸送盤向里移動到相機1下成像后向外退回。此時橫向移料機構(gòu)將托盤轉(zhuǎn)移到與相機2對應(yīng)的輸送盤上，輸送盤向里移動到相機2下成像后向外退回，轉(zhuǎn)移到與相機3對應(yīng)的輸送盤，最后輸送盤移動到激光打標(biāo)機下，在檢測不合格產(chǎn)品上打上激光標(biāo)記后向外退回，下料單元的升降氣缸下降，氣爪將托盤托住后升起，

基于深度學(xué)習(xí)的自動光學(xué)檢測設(shè)備（PZT AOI機）和人工檢測的收益對比：

此技術(shù)由于效率高，大大減少人力成本（一臺機早晚班可以抵得上10個人），質(zhì)量可靠，適應(yīng)范圍廣，未來必將在工業(yè)檢測上有越來越廣闊的應(yīng)用前景。

參考文獻：

《AlexNet-Imagenet classification with deep convolutional neural networks》、《Python編程技術(shù)》、《Tensor Flow從入門到精通》、《計算機視覺與深度學(xué)習(xí)實戰(zhàn)》。

作者簡介：程丙坤（1969 —），男，漢族，湖北省天門市人，高級工程師，大學(xué)本科學(xué)歷，目前研究方向為機器換人或自動化設(shè)備開發(fā)設(shè)計與研究。