深度学习机器学习NVIDIA英伟达机器视觉视觉检测视觉识别智能制造工业检测工业视觉工业质检缺陷检测目标检测JetsonnanoXavier计算机视觉算法人工智能AI

基于机器视觉和人工智能搭建产品外观质量智能判别与优化平台，本着软科技、硬落地的方针，搭建集结构化与非结构化数据采集与存储、图像处理、机器学习与数据关联分析预测的产品质量综合提升平台。

通过利用机器视觉硬件组件的设计搭建和图像识别算法开发,可实现对产品外观质量快速、准确的智能化检测。完成对所有产品质量数据的全样本量化存储。基于产品质检数据与生产制造过程数据的闭环关联与分析挖掘, 对产品成品件质量影响因素进行全面分析和开裂缺陷的准确预测,实现生产线问题及时告警和支持决策响应。

- 在边缘计算端执行图像采集的机器人装有一个工业摄像机，一个工业照相机。工业照像机进行远距离拍摄，用于检测有无和定位；工业摄像机进行摄像，用于 OCR 识别。

- 以烤箱检测为例，当系统开始工作时，通过机器人与旋转台的联动，先使用摄像机对烤箱待检测面的全局视频摄像，并检测计算后，提取需要进行 OCR 识别位置，驱动工业相机进行局部拍摄。

- 相机采集到的不同视觉图像，会首先交由基于英伟达NVIDIA Jetson Nano开发的HI 209V边缘计算进行视频处理：快速降噪（修复）、视觉增强、失焦修复、风格转换等预处理。

- 根据标准图像机本库进行数据的预处理：数据清洗、图像预处理、数据集构造、归一化处理、检测需求确定是否需要传输回到中心计算端，如果需要，则通过网络传送到中心端交由液冷GPU工作站HD210 分析处理。

- 中心计算端是由蓝海大脑®液冷GPU工作站 HD210 和视觉识别平台两部分组成。

- 系统在收到边缘端发来的数据后，首先会利用蓝海大脑®视觉识别平台提供的初样模型对预处理过的图像进行提取识别，提取出需要进行检测的标的物，例如型号、合格证、铭牌或线缆等等。

- 蓝海大脑®视觉识别平台提供的 AI能力，将帮助边缘计算数据进行数据管理、训练引擎、机器视觉模型、模型算法库等一系列 AI 处理流程。通过蓝海大脑®视觉识别平台中集成的深度学习开发框架，系统可以通过不断地迭代分布式训练，提升检测物识别率。

- 将深度学习模块引入制造业识别，不仅可以让视觉识别平台快速、敏捷、自动地识别出待测产品的诸多缺陷，如产品工艺缺陷、产品LOGO、铭牌漏装、外观整洁度等问题。更重要的是，该视觉识别平台能够对非标准变化因素有良好的适应性，即便检测内容和环境发生变化，蓝海大脑®视觉识别平台也能很快地予以适应，省去冗长新特征识别、验证时间。同时这一方案也能有效地提高检测的鲁棒性，令识别率高达 99.81%，克服了传统视觉检测过于依赖图像质量的问题。

1. 核心技术

    - 采用国际前沿的深度学习算法

    - 支持多种缺陷类型，适应多种产品

    - 自学习性，可不断迭代改善

    - 小样本训练及模型的裁剪

2. 优势

    - 无需编程，降低集成难度

    - 快速部署，极大缩短时间

    - 适应性强，快速迁移能力

3. 特点

    - 高效协同 （GPU+CPU）

    - 缺陷定位、缺陷分割、缺陷分类、缺陷检测

    - 无序分拣、拆垛码垛

    - 多维数据实战应用能力

1. 安全可靠

从设备到云内置的可信、多层安全性

2. 技术资源

设计和构建物联网工具和支持

3. 生态系统

广泛合作伙伴生态系统的可互操作物联网解决方案

采用蓝海大脑解决方案，瑕疵准确率达到 99.9%，项目部署周期缩短 56%，物料成本减少 30%，人工成本减少 70%。

1. 预测性维护、精确定时

通过在装配线上使用联网的工业物联网传感器，智能制造可以跟踪设备磨损的关键指标，如振动和温度。可在网络边缘提供实时数据分析，准确提示需要维护时间，尽可能减少停机时间及降低成本。

2. 更严格的质量管理

检测产品异常，避免影响产品质量。通过计算机视觉查看最

微小的缺陷。加强质量控制，在整个生产过程中（从供应链

到工厂车间）增加了数据分析和情报。

3. 测量和管理机器蓝海大脑的工业物联网技术具有开放和可互操作的特点，通过与现有设备集成，可收集和分析整个生产线上的性能数据。通过使用联网的工业物联网传感器和智能设备来提高机械操作的可见度，智能工厂整体设备效率 (OEE)得到提高。

4. 安全传输、效率更高

支持工业物联网的传感器、设备和可穿戴设备可在智能工厂出现危险时提醒工人 ， 并提高工人在严峻环境中工作表现 。 从海上钻机到物流仓库，蓝海大脑的工业物联网解决方案可为联网工人提供信息，提高安全性和生产力。

挑 战

钢铁企业工艺繁多、运行工况复杂，大量采用自动化设备。一般采用热轧精轧机、金属冷轧机等冶金专用设备, 生产过程存在危险性和重复性。在钢铁生产中需要对带钢等产品的规格尺寸及缺陷进行自动检测。

解决方案

- 采用多台工业相机、摄像机对成卷前的带钢表面和端面进行图像采集

- 基于GPU液冷工作站的机器视觉智能检测系统对目标进行识别和外观检测

- 与产线现有设备及功能单元实时通信，多系统间协同工作

- 通过深度学习技术和核心软件算法对带钢的宽度、厚度等尺寸进行测量，有效识别结疤、翘皮、裂痕、夹层、 辊印、划痕、孔洞、污痕、毛刺等。

- 不断识别和自我学习，有效提高实际缺陷的识别速度和检出率。

- 将所有数据储存到数据库中，极大地降低人员劳动强度。