如何利用AI解决Al视觉项目痛点——深圳赛视智能科技有限公司周星毅先生.pdf

1、如何利用AI 解决AI视觉项视觉项目痛点2024/7/8如何利用AI 解决AI视觉项目痛点内容01020304AI解决了痛点，但是也带来了痛点缺陷样本缺失有缺陷样本，但样本很少缺陷种类多/形态微小，需要大量标注20506新领域 CT图像不清晰，导致无法进行后续检测新领域 找到缺陷后无法追溯工艺异常如何利用AI 解决AI视觉项目痛点AI解决了痛点，但是也带来了痛点3获获取图图像在工厂生产线获取真实的良品、瑕疵品图像训练训练深度学习习模型通过获取的图像对深度学习模型进行训练分析深度学习习模型分析生成的深度学习模型优化生成的深度学习模型在生产线产线中实时检测实时检测根据用户的需求配合检测设备进行检测

2、和筛选随着客户要求的提高和AI技术不断地成熟，越来越多的工厂开始有AI项目落地。但同时也有很多AI项目最终是失败的。如何利用AI 解决AI视觉项目痛点AI解决了痛点，但是也带来了痛点4适合用AI做的项目：型号/款式统一产能较高缺陷肉眼可辨不适合用AI做的项目：产品型号众多，款式和颜色都不同产量不稳定，小批量快速换型产品工艺本身良率很高，生产很久都没有缺陷缺少缺陷样本有缺陷样本，但样本很少缺陷种类多/形态微小，需要大量标注结果：标记人员费时费力，积极性低项目效率低下，甚至失败如何利用AI 解决AI视觉项目痛点AI解决了痛点，但是也带来了痛点5如何利用AI 解决AI视觉项目痛点缺陷样本缺失026S

3、AIGE VISION 的异常检测(Anomaly Detection)应用非监督学习技术，仅使用正常产品图像，就可以进行对瑕疵的初步检测。监督学习 VS 无监督学习内内容监监督学习学习无监监督学习学习训练数据缺陷数据正常数据标注需要精确的标注无需标注训练时间2-3 小时10-30 分钟检测结果精准度以像素为单位的精准轮廓大概轮廓检测单位像素图像可以检测的缺陷已定义的缺陷所有缺陷OKNG检出在印刷行业中的应用在烟盒行业中的应用特点1.无需收集缺陷数据及进行标注 模型利用无监督学习方式，仅需要通过正常图像进行训练，因此不需要缺陷数据和对缺陷部分的标注。而且因为可通过少量的正常图像进行学习，所以可

4、直接适用于缺陷图像不足的初期生产线的缺陷检测项目。特点2.可检测出未定义的缺陷 传统视觉检测方案和监督学习(Classification、Detection、Segmentation)检测模型只能检测出事先定义的缺陷类型。而 SAIGE VISION的 Anomaly Detection 功能可以检测出之前未出现的、未定义的缺陷。只用正常图像进行训练可检测出未定义的缺陷类型如何利用AI 解决AI视觉项目痛点有缺陷样本，但样本很少037赛视是首个开发成功适用于工业领域的缺陷生成（Defect Generation）功能的服务商，该功能可以有效解决缺陷训练训练数据不足问题问题。SAIGE VISI

5、ON 技术竞争力：缺陷生成（Defect Generation）什么是图像生成(Defect Generation)功能？使用该功能可以生成非常类似于实际缺陷的模拟缺陷图像。用户可以通过此功能在正常产品的图像上自动画出需要的缺陷类型，用来增加不足的缺陷数据。实际缺陷SAIGE VISION 产品 A已有足够缺陷数据的现有产品。产品B缺乏缺陷数据的新产品。使用产品A的缺陷数据训练图像生成器为产品B生成虚拟缺陷数据为产品B生成检测模型将深度学习检测系统应用于产品B优点 1.弥补深度学习对缺陷数据数量的要求，提高检测准确度 可以在模型训练中添加生成的模拟缺陷图像，使用更多的缺陷图像进行训练，以提高检

6、测模型的准确度。优点 2.对早期没有缺陷数据的新产线也可以快速导入人工智能检测 使用图像生成功能，可以为还没有发生缺陷的生产线模拟可能发生的缺陷图像，使用虚拟缺陷图像训练模型可以加速人工智能检测系统的导入。如何利用AI 解决AI视觉项目痛点有缺陷样本，但样本很少048SAIGE VISION 技术竞争力：缺陷生成（Defect Generation）如何利用AI 解决AI视觉项目痛点缺陷种类多/形态微小，需要大量标注049SAIGE VISION 标注辅助(Label Assist)分为自动标注(Auto Label)和快速标注(Quick Label)