解决方案
PRODUCTS
自动缺陷检测
自动缺陷检测
模型原理
在成品检测环节，很多是通过设置高清摄像头多角度拍摄成品，由人眼观察产品质量是否有缺陷，这种方法的问题是观测效率低，另外在工人疲劳状态下，经常会有误报或者漏报问题。因此通过深度学习技术，自动化地对成品图像进行缺陷检测，可以大大降低质检人员的劳动消耗，提升缺陷检测的准确率。
预期效果
自动化地对成品图像进行缺陷检测，可以大大降低质检人员的劳动消耗，提升结果的准确率。
TFT-LCD面板生产缺陷识别案例
难点：缺陷类别多，同种缺陷的图像特征多样，没有显著特征，部分缺陷的图像表现不明显。
分析：很难用特征工程的方式，设计一种数学模型表述所有缺陷特征。
解决方式：采用深度学习方法，构建深度卷积神经网络模型，通过end2end方式让机器学习到TFT-LCD不良图像中缺陷因素之间的深层逻辑关系、局部与局部、局部与整体的缺陷关系。
TFT-LCD 缺陷检测算法流程
采用基于深度学习的像素级目标检测算法，优点：精度高分类准确，对小目标的检测效果更好。
基于机器学习的检测方法可以通过模型迭代训练方式，优化检测精度，减少漏检；通过替换模型或模型重训练的方式，识别新code的需求。
同时采用基于图像处理的模板比对算法，验证检测算法的准确性和漏检情况，将有问题的数据标记为difficult case用于后面模型的迭代升级。
TFT-LCD 缺陷检测算法框架
基于TFT-LCD不良图像具有周期性，提出一种采用模板匹配的方法进行缺陷定位的算法。算法主要包括以下步骤：
1. 模板定位，查找输入图片中的最大周期性子图。首先对图片进行特征点(sift,，surf，hog等)检测，然后对特征点进行分析，将具有类似特征的特征点进行分组，通过分析组内特征点的拓扑关系，获得图像中的周期性子图。图中AB为定位到的两个模板。
2. 模板比对。通过分析图片中所有模板的一致性，确定图片是否为缺陷图片。由于定位误差的存在，设定一个阈值，该阈值需要通过批量数据实验获得。
