实用！矩视云平台像素分割模块在工业检测中的应用（附案例详解）

应用背景

用户和生产企业对产品质量的要求越来越高，除要求满足使用性能外，还要有良好的外观，即良好的表面质量。但是，在制造产品的过程中，表面缺陷的产生往往是不可避免的。

不同产品的表面缺陷有着不同的定义和类型，一般而言表面缺陷是产品表面局部物理或化学性质不均匀的区域，如金属表面的划痕、斑点、孔洞，纸张表面的色差、压痕，玻璃等非金属表面的夹杂、破损、污点，等等。

表面缺陷不仅影响产品的美观和舒适度，而且一般也会对其使用性能带来不良影响，所以生产企业对产品的表面缺陷检测非常重视，以便及时发现，从而有效控制产品质量。

但何为缺陷？

当前对于缺陷有两种认知的方式，第一种是有监督的方法，利用标记了标签的缺陷图像输入到网络中进行训练，此时"缺陷"意味着标记过的区域或者图像。第二种是无监督的方法，就是将正常无缺陷的样本进行学习，学习正常区域的特征，网络检测异常的区域。

进行产品缺陷检测的任务大致分为三个阶段：缺陷分类、缺陷定位、缺陷分割。

传统的工业生产制造，由于科学技术的限制仍然主要采用人工检测的方法去检测产品表面的缺陷，这种方法由于人工的限制和技术的落后，该方法抽检率低、准确性不高、实时性差、效率低、劳动强度大、受人工经验和主观因素的影响大，所以，基于机器视觉的检测方法可以很大程度上克服上述弊端。

机器视觉在缺陷检测领域的应用

机器学习领域，在深度学习还没有发展的这么火热之前， 国外几款做的比较成功的视觉软件，很多模块都有定位，测量，检测等功能。基于图像处理和分析对产品可能存在的缺陷进行检测，这种方法采用非接触的工作方式，安装灵活，测量精度和速度都比较高。

但这些传统的方法来做缺陷检测大多都是靠人来特征工程， 从形状，颜色， 长度，宽度，长宽比来确定被检测的目标是否符合标准，最终定义出一系列的规则来进行缺陷检测。

传统机器视觉

这样的方法当然在一些简单的场景中已经应用的很好，唯一的缺点是随着被检测物体的变动，所有的规则和算法都要重新设计和开发，即使是同样的产品，不同批次的变化都会造成不能重用的现实。

所以，传统机器视觉算法通常处理容易提取，容易量化的特征：颜色、面积、圆度、角度、长度等。

但由于缺陷多种多样，传统的机器视觉算法很难做到对缺陷特征完整的建模和迁移，复用性不大，要求区分工况，这会浪费大量的人力成本。

基于深度学习的缺陷检测完美地规避了这类问题，它不仅在特征提取和定位上取得了非常好的效果，越来越多的学者和工程人员还开始将深度学习算法引入到缺陷检测领域中。

深度学习

矩视云低代码平台“像素分割”模块案例详解

矩视智能低代码平台是基于深度学习的AI机器视觉低代码开发平台，赋能多种工业应用场景，有效解决复杂缺陷的定位识别、分类定级及字符识别等问题，具有强大的兼容性。

矩视提供了一个标准化的开发平台，内置丰富的开发工具，不需任何图像知识，无需编程，支持深度学习模型训练闭环，满足不同业务场景下的客户碎片化、差异化的检测需求，以较低成本解决客户检测难题。

功能概述

利用深度学习技术训练模型，实现对标记特征缺陷的定向识别检测，支持对图像进行像素级检测，精准识别缺陷的位置和类别。常用于检测产品表面细小的缺陷，例如裂纹、划痕、脏污、缺损等，是应用最为广泛的缺陷检测工具。

功能特点

✅ 通用性强：云端积累大量不同场景AI算法库，用户仅需上传图片，进行标注，后台将自动匹配最精准的AI算法。

✅ 多缺陷同时学习：同一个模型下，支持多种缺陷标记，即可同时检测一张图片内的多种缺陷，并且可以对缺陷进行分类。

✅ 像素级检测及阈值设置：对产品的缺陷检测可以精确到像素级，并且可以通过阈值对缺陷程度的评分来控制误检率和漏检率，从而达到对产品质量的把控。

应用场景

✅ 不规则形状目标检测

✅ 小目标检测

模块使用

1、训练阶段

导入样图，在标签列表添加相对应的缺陷标签，选择标注工具，将上传图片的缺陷部分和标签逐一对应标注（每张图片内所有需要定位的缺陷需全部标注），标注结束后，无需配置模型训练参数和服务器资源，一键训练进入深度学习阶段，通过对原始数据多步特征转换，得到更高层次、更加抽象的特征表示。

2、测试阶段

经过适当训练的神经网络可以很好地识别出变量环境（如物体形状的变化、不同的分辨率或光源条件）中的物体，精准判断图片中存在的缺陷因素，并进行自动标注。

3、推理阶段：

输入：待检图片

输出：NG/OK图

案例解析：口罩表面缺陷检测

检测需求

能对口罩正反面脏污/蚊虫/毛发、耳带长度/偏位、鼻梁条长度/偏位、焊点接口、排齿等功能检测，以保证在生产过程中能够有效的剔除不良品，提高产品的生产效率，及产品合格率。

检测难点

缺陷种类多且形态不规则、差异大，缺陷出现区域随机。

检测方案

利用矩视智能低代码云平台的像素分割模块，构建基于深度学习的口罩缺陷识别模型。

操作步骤

1、选择“像素分割”模型

2、上传样图，建议上传30张以上图片

3、标注

使用标注工具对口罩表面缺陷进行标注；对于无缺陷的图片，可跳过标注

4、模型训练

一键进入训练阶段，等待训练完成

5、模型测试

精准判断未标注图片中存在的缺陷因素，并进行自动标注

测试效果

数据测试准确率>99%，0漏检，能精准对口罩正反面脏污/蚊虫/毛发、耳带长度/偏位、鼻梁条长度/偏位、焊点接口、排齿等缺陷进行检测。

矩视智能机器视觉低代码平台是一个面向机器视觉应用的云端协同开发平台，始终秉承0成本、0代码、0门槛、0硬件的产品理念。

平台以人工智能技术为核心，在机器视觉应用开发环节，为开发者提供图像采集、图像标注、算法开发、算法封装和应用集成的一站式完整工具链。覆盖字符识别、缺陷检测、尺寸测量、目标定位等上百项通用功能，致力于成为全球用户量最多，落地场景最广泛的机器视觉低代码平台。

更多功能正在开发中，最新信息会第一时间在官方公众号“矩视智能”进行公布，欢迎大家关注哦