物體檢測的任務(wù)是找出圖像或視頻中的感興趣物體，同時檢測出它們的位置和大小，這是機器視覺領(lǐng)域的核心問題之一。

隨著工業(yè)自動化的蓬勃發(fā)展，很多制造商在產(chǎn)品的生產(chǎn)過程中，總會出現(xiàn)一些瑕疵，不良，畸形，貼合偏差等。有時人工無法達到要求的精度時，運用機器視覺系統(tǒng)的定位/對準/對位，能順利完成高精度的制造工序。但是，在物體檢測過程中也有很多不確定因素，如圖像中物體數(shù)量不確定，物體有不同的外觀、形狀、姿態(tài)，加之物體成像時會有光照、遮擋等因素的干擾，導致檢測算法有一定的難度。檢測如果存在精度問題，就會導致不良品的產(chǎn)生，檢測及控制一旦存在時滯，也就會降低生產(chǎn)性。如何實現(xiàn)快速準確定位，成為生產(chǎn)工序高效化不可或缺的手段。矩視智能低代碼平臺融合深度學習算法，2D/3D視覺，SaaS工具和aPaaS模塊化組件。完成圖像采集、圖像標注、算法開發(fā)、算法封裝、應(yīng)用集成的完整開發(fā)工具鏈，無需編程，支持深度學習模型訓練閉環(huán)，將開發(fā)效率提升10倍以上，顛覆了傳統(tǒng)的項目定制開發(fā)模式，滿足不同業(yè)務(wù)場景下的差異化需求，助力產(chǎn)業(yè)智能化升級。

目標定位模塊概述

主要用于對圖片中不同類別、位置的對象進行定位和分類，以及對圖片中不同缺陷特征的定位和檢測。常用于對多種工件進行分類、定位、計數(shù)，對同一工件中多種缺陷特征定位、分類等，是應(yīng)用最廣泛的缺陷檢測工具。特點：? 訓練速度和推理速度快，經(jīng)過深度學習訓練，可解決平移、旋轉(zhuǎn)、縮放和光線等影響。? 支持圖像中多個目標同時檢測，給出所有被識別目標的位置和定義? 標注工具矩形圖形式，靈活、便捷。應(yīng)用場景：? 不規(guī)則形狀目標檢測? 小目標檢測

案例解析：連接器缺陷檢測

● 檢測需求

對連接器表面缺陷進行檢測，Pin針數(shù)量分布25×2，需要檢測Pin針有無偏斜、變形。

●檢測難點

Pin針數(shù)量多、缺陷形態(tài)多變、檢測區(qū)域背景復雜。

●解決方案

利用矩視智能的目標定位功能，構(gòu)建基于深度學習的連接器缺陷識別模型，提供非接觸式檢測，精確地呈現(xiàn)連接器Pin針的變形、偏斜等重要信息，及時發(fā)現(xiàn)連接器缺陷，有效剔除不合格產(chǎn)品。

●具體步驟

1. 創(chuàng)建“目標定位”項目

2. 上傳圖片

根據(jù)上傳圖片，對給出缺陷進行了歸納分類并打標簽處理，針對不同的缺陷類別檢測需求給出了相應(yīng)的AI處理方案；

3. 標注

使用標注工具，將缺陷類型根據(jù)標簽進行標注；

4. 模型訓練

使用矩視智能低代碼平臺中【訓練】和【測試】功能模塊，進入深度學習階段，實現(xiàn)檢測需求。

5. 模型驗證

01

使用前VS使用后

第1排第5個向右偏斜

02

使用前VS使用后

第1排第11個向下輕微偏斜

03

使用前VS使用后

第1排右數(shù)第5個向左下方偏斜

04

使用前VS使用后

第1排第9個向上偏斜第2排第8、9個向上偏斜

05

使用前VS使用后

第2排倒數(shù)第1個向左上方偏斜

06

使用前VS使用后

第1排第13個向上方偏斜第2排第13個向上方偏斜

●最終效果使用矩視智能低代碼平臺之前缺陷識別率低，容易誤識別。使用矩視智能低代碼平臺目標定位算法測試后達到了技術(shù)要求，缺陷檢出率和準確率都能達到99%以上。在連接器應(yīng)用中，矩視智能使用Ai深度學習算法，有效解決大部分缺陷檢測需求，緩解人工質(zhì)檢存在的種種問題，為客戶提高產(chǎn)品質(zhì)檢效能，得到了客戶極大認可。