金屬表面瑕疵檢測解決方案
利用深度學習強大的特征學習和表達能力: 解決瑕疵類型復雜多變的難題。從數據收集處理、模型設計選型訓練到系統集成上線應用，提供一套完整的端到端AI解決方案
項目背景
在鋼板生產中，對于質量檢測存在較大痛點問題：
人工篩檢效率低下，無法保證統一的檢測標準，品質、生產效率無法保證；
鋼板瑕疵類型多樣多變，生產環境復雜，如熱軋鋼板生產溫度較高容易產生霧化效果，利用攝像頭采集時嚴重增加圖像噪聲，傳統檢測方法難以保證瑕疵識別的準確性、穩定性；
熱軋鋼板的六種典型表面缺陷
方案介紹
支持生產線上直接檢測
對生產線上鋼板上下表面同時采集，根據生產檢測需求，可實施 “層流冷卻前”、“層流冷卻后”兩種拍攝方式
支持成品單獨檢測
核心算法
可運行于主流深度學習網絡框架Tensorflow 上
以卷積神經網絡（CNN）為骨干架構，采用語義標簽，可以對圖像畫面中的前后景物體以更高效處理速度實現更精確的識別，更好的從背景中分割出瑕疵區域
系統集成上線應用
提供算法模型集成化服務，輸入輸出采用RESTful API接口方式統一對接:
與已存在軟硬件（如工業相機采集圖片）直接對接，無需重新改造
隨時升級不改變原有對接方式，更利于迭代更新提升模型識別效果
方案優勢
1. 采用深度學習方法實現智能檢測，相比于傳統算法，適用性更強、準確率更高
2. 瑕疵檢測具備自主學習能力，隨著數據增多可以不斷提升識別準確率
3. 提供軟硬件一體的解決方案，適用于多種類型瑕疵，針對不同鋼板產品提供針對性解決方案
應用案例
某工業企業的精密配件瑕疵檢測
