深度学习算法在机器视觉中就如一个巧妙的接收转换器般的存在，它灵活、敏捷、“深度”与广度兼具，强悍的计算与预测能力可以称为其魅力之处。深度计算——可以集数亿个神经网络的自拟，对于数据、语音、图像等多种形式的资源进行分析、解释。
需求背景
科技进程的加速，产品的品质化与智能化要求在日益扩增。生产制造商对于产品的质检体系需要不断地更新升级，跨越了从人工检测到传统的视觉检测再到具有深度学习算法的智能检测这一整条进化链，深度学习算法弥补了传统算法无法检测复杂特征的漏缺，免去了人工提取特征这一耗时耗力的步骤，更大程度为生产企业提升制造效率。然而凡事都有两面性，深度学习算法也不例外，只是，其优势的比例远远超越了不足，因而能迅速占领行业市场。
目前深度学习广泛应用在图像、语音、自然语言处理、CTR预估、大数据特征提取等技术领域，同时在多个行业内备受认可与青睐，比如数字助手、能源、制造业、农业、零售、汽车等行业的生产制造与服务过程中不同程度地融入了深度学习算法技术以及技术产品，展现了人工智能与物联网的时代特色与科技进步。
案例展示
基于客户产品的外观缺陷检测需求，三姆森自主研发了一套融合深度学习算法的检测解决方案，方案主要针对显示屏的缺陷检测技术做了一个相对清晰、客观的解析，将深度学习算法与光技术成功地结合。（深度学习算法成为该方案的核心部分，它的功能设定一方面体现在实现对缺陷轮廓的提取，另一方面体现于对缺陷的尺寸、面积等进行判辨与管控）
深度学习算法流程图
核心功能模块
- 对缺陷进行自动分级、位置标记、灵敏度控制
- 自动挑选样本、诊断模型、输出最佳神经网络
- 自动学习、不断优化性能
- 模型优化、调整检测标准
深度学习算法备受青睐的原因
不仅仅源于其强大的特性
更大程度在于相较传统算法的明显优势
优势对比
- 在检测性能上
拥有对颜色、亮度、对比度等更具稳定性的测试效果，较大幅度地提升了检测能力，能达到：3%≤过杀率≤10%；漏检率≤0.5%（而传统算法通常只有：8%≤过杀率≤12%；漏检率≤1%）
- 在操作性上
AI算法在经前期模型的训练后，就能灵活适应产品的频繁更换，减免了参数调整的繁琐步骤。
- 在算法拓展性上
AI算法有利于后续对软件的升级优化，其发展提升的可能性更广阔。
算法说明
- 算法计算亚像素轮廓面积时，面积范围被定义为该线包围区域。
- 算法计算轮廓面积时，物体的实际成像面积为12个像素点，（右图中数字对应像素点）
- 深度学习算法效果
检测效果佳，即使背景复杂，影响也较弱
- 能对灰尘、异物进行过滤，避免其受影响干扰
- 准确分辨、归类不同缺陷
巧妙的深度学习算法为实际的产品检测（比如手机显示屏的AOI外观检测）增附了更多的优点，比如测量精度大幅提高、通用性良佳、极低的误检率和不良漏检率，适应不同客户的多种生产产品和模式，使得其核心功能为企业生产制造实现了价值效益。
检测案例
刮伤、点伤、脏污、丝印不良等的检测
- 产品正面黑点、划伤：
脏污检测效果图
- 主检正面面板脏污、黑点等缺陷
软板连接器检测效果图
- 检测连接器上刮伤、压伤、锡球、桥接、异物、少锡
软板二维码检测效果图
- 检测二维码不能读取、字符缺失等缺陷
技术展望
在多元化的数字信息时代、科技电子产品迅速繁衍，AI智能将逐渐覆盖我们的生活，科技创新有着无限种可能，深度学习算法必然会向多领域发展，机器视觉检测与深度学习的结合或许会上升到一个更高级的层次，现在的设备能筛检多种缺陷，也许在未来，不再是单一的外观检测了，取而代之的是更全面的产品检测，展望技术的不断革新与进步。
