標題：ALFA深度學習軟件金屬外觀缺陷檢測應用
ALFA軟件使用神經網絡算法，模塊化地解決機器視覺的各種問題，真正讓人工智能走入機器視覺領域。ALFA讓每一臺自動化設備有了大腦，有了像人一樣的學習能力，可以在不斷工作中積累經驗，越干經驗越豐富，結果越來越精準，實現真正意義上的機器替代人，必將掀起新一輪的產業變革。
利用ALFA缺陷檢測模塊工具的管理模式和ALFA分類模塊的自動化檢測與分類，將會使汽車行業的金屬零部件檢測變得非常簡單。
首先需要收集大量的零部件檢測圖片做為學習樣本庫，其中包括正常品和殘次品，每種殘次品的檢測圖片至少包含一組以上。樣本庫中的樣本越多，學習效果越好，后續的檢測也會越準確。
接下來ALFA軟件通過圖片樣本庫進行訓練學習，并產生檢測的參照模型，這個學習過程只需要不到10分鐘，具體學習取決于電腦的硬件配置。
最后即可將ALFA用于實際的檢測中。
缺陷案例
 
圖2：缺陷檢測案例。
 
如圖2所示，軟件算法通過一組有代表性的注釋圖像，以及已知的好樣本進行自我訓練后，學習系統自動集成上下文信息，形成一個可靠的形狀和紋理的模型，用于校對檢測。結果顯示，之前難以被識別的缺陷，都可以被準確地檢測到：撞擊和刮傷被視為異常，因為它們有一個紋理區域偏離了預期的設定值，即撞擊和刮傷面積超出了容忍偏差。
粗糙金屬板
表面缺陷檢查的關鍵挑戰之一，即它們是動態的，這與零部件的加工工藝流程或成形過程有直接關系。當零部件經歷了全部的生產步驟，其中部分表面被噴涂油漆，導致拋光表面成為鏡面反射光。如圖3所示，此時撞擊、污漬和劃痕這些缺陷才變得可見，并且令人不安。汽車生產廠商完全不能接受這種缺陷產品。
然而，這種只能在工藝末端才能檢測到的缺陷，成本非常高昂。利用ALFA缺陷檢測模塊，粗糙材料上典型的缺陷，可以通過任何標準照明和矩陣相機獲得的圖像檢測和分類。訓練階段完成后，在一個標準GPU上計算其能在幾毫秒內可靠地識別缺陷，從而實現在線實時檢測。

圖3：粗糙金屬板表面的撞擊、污漬和劃痕檢測實例。
 

結果 & 性能
強大的檢測：ALFA可以在生產過程的早期階段，可靠地對復雜紋理的表面、鏡面反射和可容忍范圍內的異常圖像缺陷進行檢測和分類。
自學習：檢測過程無需大量仔細調整和優化的檢測算法，而是依賴于一個類似人類的方法——學習和應用，并且具有改進的測試一致性和可重復性。
快速&簡單：整個學習具有代表性的圖片樣本庫的過程非常高效，其學習時間小于15分鐘
聯系人：熊先生  電話：   
聯系人：鄂先生  電話：
網址：