问题与做法
面临的问题
工业制造类产品外观缺陷检测长期依赖人工或传统机器视觉:人眼检测存在主观限制,传统机器视觉无法分析无规律图像,人工与传统的准确率偏低、易出现误判,流水线检测自动化门槛高。
方案与做法
方案以 HxGN Visual Detection 深度学习软件为核心,基于 AI 人工智能技术搭建,专为工业制造类产品外观缺陷检测设计。技术组成包括:多元化预训练模型(CNN-Basic、CNN-Pro、CNN-Pro++ 等训练模型,可按应用需要、效率和准确率选择);少量缺陷样本即可完成前期调研并出调研报告;融合海克斯康尺寸检测领域知识,支持缺陷检测+尺寸检测一体化的标准检测方案及非标客制化检测方案;引导式界面覆盖创建工程、标注、训练、检测导出、保存工程全流程;检测结果文件支持对瑕疵长宽、面积、置信度、交并比进行量化调整后直接再训练检测,无需重复检测。平台已应用于 3C 行业(电子、通讯和消费品)瑕疵检测,并覆盖汽车行业与航空航天零部件和装配件。
交付效果
来源给出技术特性层面的宣称指标:通过深度学习算法、高级图像处理、模式识别等提高检测精准度高达 98%;可在线实现尺寸检测,实现瑕疵+尺寸检测的自动化。未提供具体客户的实测交付数据。
系统组成
业务
面向缺陷检测的深度学习平台,覆盖图像分析、模型训练、缺陷检测与量化结果输出,支持缺陷检测+尺寸检测一体化方案。
落地核对清单
- 确认自身缺陷类型是否属于无规律图像,评估深度学习方案相对传统机器视觉的必要性
- 统计可用的缺陷样本数量,验证是否满足来源宣称的少量样本训练条件
- 明确是否需要瑕疵检测与尺寸检测一体化,还是仅需外观缺陷检测
- 要求供应商提供与自身产线相符的检测准确率验证报告,而非仅参考厂商宣称值
- 确认部署所需的成像硬件、自动化集成与在线检测节拍等外围条件
编辑分析 基于来源信息推断
从资料看,该方案的差异化在于三点:一是预训练模型与少量样本训练,降低了用户从零建模的门槛,适合缺陷样本积累不足的产线前期验证;二是瑕疵检测与尺寸检测融合,试图打通外观质量与几何量检测两类环节,契合海克斯康在计量检测领域的既有能力;三是结果文件的量化调整机制(长宽、面积、置信度、交并比)允许用户在参数层面迭代而非重新训练,可缩短调优周期。该方案属于软件平台,实际部署还需搭配成像硬件与自动化上下料等外围设备,来源未说明具体硬件配置与集成方式。
- 来源为海克斯康官方产品页,98% 精准度等指标为厂商宣称,无第三方实测或客户案例佐证
- 页面未给出支持的相机、光源、算力等具体硬件与系统配置要求
- 页面未列明具体客户名称、部署地点或上线时间,无法判断实际交付规模
整理说明 内容由 AI 根据公开资料整理;事实与推断分开呈现。
内容纠错