AI在铝箔表面缺陷检测应用
一、铝箔表面缺陷种类
铝箔广泛应用于食品包装、药品包装和工业用途等领域，表面质量直接影响产品的性能和安全性。铝箔表面常见的缺陷主要包括：
-
划痕：铝箔在生产、加工或运输过程中可能会出现划痕，影响外观和功能。
-
气泡：铝箔表面可能出现气泡，通常是由于涂层不均匀或干燥不完全造成的。
-
污点：表面附着的油污、灰尘或其他杂质会影响铝箔的质量和外观。
-
折痕：铝箔在加工或卷绕过程中可能出现折痕，影响其使用性能。
-
涂层缺陷：铝箔的涂层可能出现不均匀或剥落现象，影响其防潮和防腐性能。
二、现存检测难点
铝箔表面检测面临以下挑战：
-
缺陷多样性：不同类型的缺陷在外观上可能相似，需要高效的分类和识别能力。
-
高速度生产：铝箔的生产线通常速度较快，要求检测系统具备实时性和高效性。
-
光反射问题：铝箔表面光滑且具有反射性，可能导致图像捕捉时产生干扰，影响检测精度。
-
数据处理：大量的检测数据需要实时处理和分析，要求系统具备强大的数据处理能力。
三、AI 检测优势
-
高精度检测：AI算法能够通过数据训练，识别和分类各种类型的表面缺陷，能够捕捉到人眼难以察觉的细微差异，提高检测的准确性。
-
实时处理能力：AI技术可以快速处理来自生产线的图像数据，实现实时缺陷检测。
-
自动化与效率提升：通过引入AI，检测过程可以实现高度自动化，减少人工干预。提高了检测效率，降低了因人为因素导致的错误，确保检测结果的一致性和可靠性。
-
多样化的检测能力：AI技术能够处理多种类型的缺陷检测，如划痕、气泡、污点等，具有较强的灵活性和多样性，适用于不同的检测需求。
四、AI 检测流程
五、AI 检测方案
此铝箔检测方案基于深度视觉AI平台实现，深度视觉致力于深度学习，为企业提供高效、精准、稳定的AI视觉解决方案。
5.1 图像采集
使用高分辨率相机在生产线上实时拍摄铝箔表面图像，确保在不同光照条件下采集数据。
5.2 数据准备
明确缺陷定义，将收集到的缺陷图片，用深度视觉labelmeAI标注工具进行标注，内置AI多边形标注功能辅助标注，加快了数据处理速度，减少人力资源投入。
5.3 模型训练
使用 AI训练平台 创建项目和任务类型。
项目信息 模块可对项目名称、数据集路径和工作目录进行修改。
通过 数据分析 功能进行图像预览，获取统计标注数据和图像尺寸信息。
设置 训练参数 ，不同的训练参数会影响模型的训练时间、收敛速度、模型性能等，训练参数推荐：
- 训练集和验证集按照 8:2 的比例进行划分。
- 数据倍增选择 5，表示使用五倍的数据进行训练。数据量少时，可以选择5-10。数据量超过 1000 时，通常为 1。
- 训练尺寸 640×640；这里的训练尺寸不一定与图像尺寸相同。训练尺寸越小推理速度越快，原图尺寸在 1000×1000 以下，通常选择 320×320 或 640×640，需按实际效果调整。
- 实例分割检测模型默认参数：训练代数 12 代，学习率 0.001，批量大小（batchsize）2。这些参数通常不需要调整。
历史记录 可获取历史训练记录，训练时间，模型评估指标等信息，还可以结束当前训练。
模型生成 训练完成后，模型存放在设置的 工作目录 下，模型名称由项目名称＋开始时间 组成，文件格式为.dvp。
5.4 模型测试
5.5 模型部署
模型通过测试后，可部署到生产现场。
调用推理 SDK 的调用方式是 DLL，支持 C 和 C++ 等语言，支持Windows 10 以上操作系统。部署 AI 模型需要使用显卡。由于吞吐量和延迟的需求不同，对于硬件的需求也不同。