近日，富士通實驗室宣布，公司已經(jīng)成功開發(fā)了一種用于圖像檢查的 AI 技術(shù)，該技術(shù)可以高度精確地檢測制成品上的各種外部異常，包括劃痕和生產(chǎn)錯誤的等。同時，該技術(shù)也大大減少了產(chǎn)品的質(zhì)檢人力與時間成本。

　　機器視覺給產(chǎn)品「挑刺」，又快又準

　　長期以來，產(chǎn)品質(zhì)量檢測都是依賴人工肉眼檢測，這樣的方式，不僅效率低，而且很容易因人為因素，造成漏檢、錯檢、標準不統(tǒng)一等問題。

　　為此，富士通決定用機器視覺代替人類肉眼，來檢測成品的外部異常?！窤I 質(zhì)檢員」可根據(jù)產(chǎn)品的近似形狀、詳細結(jié)構(gòu)和質(zhì)地等特征，確定產(chǎn)品是否有缺陷。

　　在不同類型的測試中，「AI 質(zhì)檢員」也能夠把握檢測重點，精準分析產(chǎn)品異常。比如，在形狀變形測試中，它會理解，近似形狀的判斷是最重要的;而在條件或圖案測試中，「AI 質(zhì)檢員」就會認為，紋理的檢測是最重要的。

　　此外，即使產(chǎn)品看起來正常，但如果涂層、顏色和接線形狀等元素存在個體差異，AI 也會針對每個項目檢查這些特性，并在檢查的同時，判斷出個體差異或異常是否在可接受的范圍內(nèi)。

　　據(jù)介紹，訓練 AI 來執(zhí)行質(zhì)量控制任務(wù)的挑戰(zhàn)在于，此前通常使用個體特征的加權(quán)和累加指數(shù)來訓練模型，如此一來，要創(chuàng)建一個能夠掌握所有檢查特征的模型，可能會比較困難。

　　對此，富士通已經(jīng)開發(fā)出一種新的 AI 模型訓練方法，讓 AI 能夠基于 5000 多種人工物體的圖像庫，生成各種形狀、大小和顏色的材料，并在其中隨機添加異常，然后用這些帶有異常的圖片訓練模型。

　　在訓練過程中，富士通研究人員將正常圖像與 AI 還原后的圖像進行比較，評估每種功能的訓練程度，例如近似形狀、詳細結(jié)構(gòu)和紋理，并控制要添加的異常的大小、顏色和數(shù)量，以便 AI 優(yōu)先學習未捕獲的特征。之后，通過對 AI 還原的圖像進行評估，對其薄弱方面進行加強訓練。

　　簡而言之，這一過程相當于，AI 自己創(chuàng)造異常，再交給自己進行檢測，并將圖像恢復(fù)至正常狀態(tài)，從而在不斷的自我博弈中，精進技藝。

　　富士通在其日本長野工廠的檢驗過程中，驗證了該技術(shù)的有效性。當其 AI 應(yīng)用于外觀正常的產(chǎn)品時，AUC 得分超過 98%，而且，該技術(shù)將印刷電路板的檢驗工時減少了 25%。

　　富士通表示，未來公司將進一步開發(fā)相關(guān)技術(shù)，應(yīng)用于其 COLMINA 數(shù)字解決方案，實現(xiàn)企業(yè)的數(shù)字化轉(zhuǎn)型。