深度学习比传统视觉有什么优势？
深度学习在外观缺陷检测领域的应用，攻克了传统算法被复杂背景干扰的问题，以及无法对缺陷类型稳定分类等问题，因此在缺陷检测领域中，深度学习具有更多的优势。
什么是外观缺陷检测？
外观缺陷检测是通过光学组件、图像处理器、软件算法等集成的图像处理系统，其涵盖光学原理、软件技术、图像处理技术等专业学科；实时检测、识别被测物体常见表面的缺陷（划伤、破损、刮痕、脏污、条纹、亮斑等），部分外观检测的图像都存在比较复杂背景的干扰因素，对外观缺陷识别判断产生较大的影响，因此对检测系统提出极高的能力要求，传统的图像处理技术已经无法满足于当前的生产应用。
随着AI人工智能技术的快速发展，人工智能也逐步开始在工业领域中应用，盈泰德科技将深度学习技术应用到3C领域的缺陷检测设备，开发出以人工智能深度学习技术为主的Intsoft-AI缺陷检测系统V1.0版本。该系统可用于缺陷识别、物体分类、定位等功能应用，其可用于3C产品及零部件、半导体、LED、医药、汽车等行业，其结合传统算法实现对以下类型产品进行高精密外观缺陷检测：
1、金属加工件：手机按键、摄像头圈、卡托、Type-C外壳、充电器插头等及部分精密加工件；
2、玻璃制品：手机后盖、屏幕玻璃、液晶面板、显示器等）、
3、塑胶制品：手机纳米材料后盖、充电器塑胶外壳等塑胶制品；
4、整机及模组外观：手机整机外观检测、屏幕点亮后外观检测、摄像头模组六面体外观检测、Type-C插头外观检测、电池模组外观检测等。
深度学习不同于传统工业机器视觉，不需要专业人员的定制开发算法，前期只需要一部分NG和OK样本图片用于缺陷标注训练即可完成模型的建立，后期遇到新增缺陷类型时，只需要完成新类型缺陷样本训练优化模型就能够完成新缺陷检测。
案例一：外观缺陷检测案例分享
1.1金属件外观缺陷检测案例分享
检测产品：手机充电器PIN
检测内容：检测产品5个面共6种缺陷：划伤、点伤（凹点）、缺口、脏污、亮印、模印。
检测要求:
1、缺陷产品漏检率0.3%以内，
2、产品过杀率5%以内；
3、脏污缺陷：对菲林卡，小于0.1mm²以内OK；
4、点伤、划伤：0.02~0.08mm²2个以上NG，0.08~0.1mm²1个NG。
产品缺陷分析：
1、产品表面结构为粗糙面（类似磨砂质地），为电镀成型后的阶段，表面粗糙有很多凹坑影响成像质量；
2、划伤缺陷为表面凹状类缺陷，可能已伤及电镀层，缺陷凹坑形状较细并且都是比较深的，形状不一，位置不同；
3、点伤类缺陷是表面凹状类缺陷，面积较小，但分布比较多，深浅不一；
模印缺陷为产品制作是模具上造成的缺陷，在电镀后检测时，产品表面已经没有太大差异，缺陷比较轻微的人眼也较难识别。
4、脏污亮印缺陷为产品表面，电镀层上面存在的脏污和亮印，未伤及电镀层。
检测方案：
采用直线式设备,机械手上下料,5个工位检测，治具可以旋转,光源频闪，分步拍照产品表面缺陷,深度学习算法处理图像,全面实现外观缺陷检测，根据检测结果自动摆满托盘,自动叠盘收料。如图2-3所示。
3C行业常见检测缺陷
图2 检测效果
图3 缺陷类型
案例二：Type-c外观缺陷检测案例分享
检测产品：Type-c连接器
检测内容：检测产品铝屑不良、缺pin、塑料屑异物、塑料损伤、舌片底部金属丝、舌片端子漏B点等外观缺陷；
检测要求:
1、缺陷产品漏检率0%，
2、产品过杀率5%以内；
检测方案：
采用直线式自动设备，对接客户自动化产线，共有4个检测工位，产品通过直振上料，移载到检测工位进行拍照检测，利用深度学习算法跟传统算法相结合的方式，对产品缺陷进行检测识别，再根据检测效果进行OK\NG分类。如图4所示。
检测效果1
检测效果2
检测效果3
检测效果4
如果你的工业生产线中，可能用的到机器视觉或深度学习方面的技术，那不妨和我们盈泰德科技聊聊，我们会先根据你的需求分析，从一个专业的角度免费来给你设计一个合适你的方案，然后听取你的意见，再详细洽谈，最后即使没能达成合作，我们也非常希望能多认识个朋友。
