一、方案介绍

1、方案介绍

使用人工智能     深度学习   核心技术手段，结合2D/3D工业相机、自动化工装、     机械   臂等硬件设备，提供全套的工业产品外观瑕疵检测解决方案。

2、应用效果

可以与企业现有产线集成，实现对最终产成品、中间过程产品、原材料等环节的质量自动检测，取代现有人工质检操作，打通全产线自动化流程，提升质检和生产效率。

3、与传统技术相比的优势

对比于传统     AOI       机器视觉   自动检测技术，人工智能深度学习技术可以检测更多的瑕疵类型，拥有更高的准确率、鲁棒性和泛化能力，在产线中发现新的瑕疵类型时，可以更加快速、低成本的实现模型更新

二、方案构成及使用流程

企业用户在应用场景中选择跟自身企业产品相关的产品类型，并发起合作申请，百度将针对企业需求进行方案落地。方案的落地过程包括模型验证、补充训练、集成落地、持续优化等几个阶段。

模型验证

企业提供产品现有瑕疵样例图片，验证现有模型的识别效果是否达到要求

补充训练

如果现有模型的识别效果不佳，企业提供补充训练图片进行模型优化

集成落地

现场勘查企业产线，针对产线制定硬件配套方案，可以选择一体机或硬件定制

持续优化

对于运行中新出现的瑕疵类型，可以通过在线服务非常方便的进行更新

三、应用场景

1、键盘外观检测

在     制造   和组装键盘流水线中，自动识别键盘组装后的合格性，包括缺件、错装、正常三类

2、木地板外观检测

在生产线上自动检测木地板的外观瑕疵，包括毛面、棘爪、腐朽、虫眼等瑕疵

3、工业喷油嘴检测

在生产线上自动检测工业喷油器阀座的外观瑕疵

4、纺织品针检检测

在鞋、帽、箱包等纺织品产品进行检针的过程中，对X光拍照结果进行自动识别，检测断针、金属小物件等     异物  

5、 塑料瓶检测

对医药、食品、日化等各类     包装   塑料瓶在生产线上进行自动检测，包括污点、划痕、裂缝、标签错位和歪斜等外观缺 陷

6、医药说明书检测

对各类医药产品的说明书在生产线上进行自动检测，包括油污、字迹不清、版面错位、     印刷错误   等缺陷

7、玻璃瓶尺寸检测

在生产线上对玻璃瓶的瓶口、瓶颈、瓶身的尺寸进行实时自动检测，以及分级分类