制造界导读：前段时间，我一个在美国工作的朋友反复问我，他说国内现在是不是发展的很好了？因为他看到美国媒体常常宣称和讨论，中国是不是有可能在AI、云计算和工业互联网方面超过美国？

我对他说，目前我国出现了像华为云、阿里云、百度飞桨、亮风台、金现代等一大批为制造业赋能的数字高科技企业，他们深入到各行各业，为制造业实现数字化、智能化，提供各种各样的解决方案。

 

6月份，制造业有序复工复产。今天，我在百度AI公众号看到这样一篇文章“工业零部件质检解决方案详解，让AI质检一步到位！”顿觉眼前一亮，我想这应该是制造业复工复产后的第一个好消息！采用AI视觉替代人工质检零部件，多么棒的一个创意！于是制造界赶紧转载了该文，欢迎制造界同仁讨论、交流。

工信部联合国家发展改革委、教育部、科技部等部门发布了十四五智能制造发展规划。规划中提出：到2025年70%规模以上的制造业企业基本要实现数字化网络化，建成500个以上引领行业发展的智能制造示范工厂。

1/  制造业离不开质检  质检需要 AI 智能化赋能 

制造业企业生产效率、良品率、能源利用率等要明显提升。其中提到的生产效率和产品良品率是与工业质检息息相关的，而 AI 质检的加入也在这场智能制造发展趋势下被寄予厚望。

质检对于制造企业来说是非常重要的一个环节，眼睛里能看见的产品都是通过了质量检测。而每个产品的内部都包含了各种金属零部件，这些金属零部件也是需要质量检测的。

当然，针对这些产品的质检标准和方式在每个行业都不一样。我们今天的分享将聚焦到质检中的细分领域：金属零部件的外观质量视觉检测。

 

首先，大家可以看下图，来自部分用户寄来的金属零件样本：切割机压板、金属序列号。针对这些零件，工厂的诉求都是要对其外观瑕疵进行视觉检测。

 

那么传统常规的质检方式是怎样的呢？

方法一：人工视觉检测

依靠人工的方式存在几个问题：

• 检测标准不统一，每个人的检测结果也会有差别，不可能复制；

• 劳动强度大，工人很容易产生视觉疲劳，从而导致误检/漏检率上升。同时也可能会有工人操作安全隐患；

• 人工质检的培训成本很高，周期长，每一次的培训结果也不可能复制。假如陆续要100个质检岗位，就预示着需要培训100次。

方法二：传统机器视觉检测

这种方法只能解决一些特定的问题。如果是在特征装备场景比较复杂的情况下，或者金属反光零件表面检测这类情况，传统机器视觉检测的漏检率就不好控制了。而且传统视觉检测的整个部署周期比较长，成本也是很多工厂承担不起的。

在走访过几十家工厂车间后，能够直观地了解到，每一个工厂的构建是有差异的，而且质检的内容和标准也是各不相同。如果针对每家产品成立算法团队去进行模型训练，算法工程师完全不够用，且人力成本也是一笔不小的投入。

但如果使用飞桨 EasyDL 零门槛 AI 开发平台进行 AI 模型搭建，工厂的普通技术工人就能胜任，面向零算法基础人群、简单易上手。接下来，我们从具体几个金属零部件视觉质检案例，进一步了解 AI 质检。

 2 / 飞桨 EasyDL 工业质检 案例展示 

金属零部件具备一些特点，比如：反光、有电镀层、正反面识别、复杂金相识别等。但这些特性在飞桨 EasyDL 视觉检测中，恰恰不用担心。

以下图为例，这是一家检测螺纹口的公司提供的样本。可以看到螺纹口由于磨损或润滑不够导致有拉丝或疤痕的状态。同时由于螺纹口本身尺寸不大，与一毛钱硬币相比还要小几分，因此如果通过肉眼观察，很难分辨出哪一个是合格或不合格。

螺纹口样本

根据样本特征进行采集，并使用飞桨 EasyDL 针对零件进行 AI 检测模型创建，标注出哪些样本为合格，哪些是不合格。

标注瑕疵

标注后在飞桨 EasyDL 平台进行训练并最终部署到边缘计算模块。如果出现蜂鸣和红灯提示，说明这个零件是不合格的，如果绿灯亮起，说明这个零件是合格的。

检验效果

 

如何建立以飞桨 EasyDL 为核心的 AI 质检系统，仅需几步即可完成。首先是样本分析采集，其次是基于飞桨 EasyDL 的深度学习模型训练，最后再到边缘计算的部署。大家可以发现，AI 质检系统中不仅需要核心算法，还需要很多的硬件支撑，彼此相辅相成。接下来详析带大家拆解步骤。

 

 

 

第一步：样本采集

将部分模拟量转换成可以量化的数字量。比如，这些金属零件上的划痕、瑕疵，或者是零件装配上的位置信息等，都需要将这些信息采集之后传达飞桨EasyDL。初始数据采集的准确性直接影响到后面模型训练的准确度。

在这里就要提到一个很重要的配件，即样本采集用的镜头，它就相当于飞桨 EasyDL 在真实生产流水线上的智能眼睛。采用什么样的镜头，也就意味着让 AI 能看到什么样的内容。这里有两个关键点：如何操作镜头以及如何为样本匹配一个合适的镜头。

 

先说操作镜头。针对 AI 质检选取的都是工业专用的镜头，其使用逻辑和原理与日常摄影镜头并无二致。因此我们需要了解一些摄影相关技术，如：焦距、变焦、定焦、微距、快门、光圈、感光度、噪点等，都属于摄影的基础知识。这些知识对样本采集起到很好的辅助作用，毫不夸张地说：成功的 AI 样本采集是从一张信息准确且直观的照片开始。

 

熟悉镜头操作后，就需要给实际样本匹配镜头。从样本大小、远近、位置和运动的模式等方面综合考虑。比如我们上面提到的螺纹瑕疵，可以选择微距，从而让瑕疵很快被镜头捕捉到。样本取样中需要争取每个角度都有侧重，甚至要关注不同光线下的样本选取。

 

 

 

第二步：样本标注

在数据准备完成后导入飞桨 EasyDL 进行标注，在这里需要注意标签和标注的重点。

 标签 

标签是围绕着样本要表达的信息和实际部署场景展开的。比如外壳的划痕检测，工厂要求一旦出现划痕就视为不合格，或者是装配位置有一个螺丝，也视为不合格。所以在建立标签的时候，一定要按照实际的质检需求和流程设定标签。

 

 标注 

标注也是飞桨 EasyDL 中非常重要的环节，需要将图像中涉及的瑕疵全部准确框定标注。利用平台提供的自动标注、纠错、评估报告等反复确认标注信息的准确无误。

在这里提到评估报告中的 maP 值，有98%、99%这样的数值体现，这是深度学习领域里面衡量模型效果的指标。98%并不是说有2%的错误率，需要结合评估报告了解详情。

 

准确的标注对模型效果至关重要

 

 

第三步：模型部署

训练好的 AI 模型需要部署到边缘计算模块或者叫边缘计算相机。本次案例中使用到到的边缘计算相机是集成度很高的产品“辨影”，部署简单且接口丰富。在飞桨 EasyDL 中训练好的模型通过多种方式可直接部署到辨影中，整个部署过程中不需要再编写任何代码。

辨影本身自带高灵敏度的液晶触摸屏，在不用外接显示器的情况下就可以对模型进行管理，比如：图像的自动拍照、采样以及各种调节等，且内置了蜂鸣器，可对效果验证给到提示。在接口方面包含了现在大部分的常用输入和输出接口，支持多种触发方式和信号输出。也可以外接摄像头或各种视频信号，也可以连接到 PLC、单片机、网站、服务器和手机 APP 等。

 

边缘计算模块（辨影）工作流程图

 

最终通过边缘相机验证模型检验效果。到这里就完成了用飞桨 EasyDL 进行 AI 质检模型训练过程。

3 / 哪些质检项目  适合用 AI 来完成检测呢？ 

那么，哪些质检项目适合用 AI 来完成呢？

「如果能够一眼看出来的区别和变化，就可以尝试使用 AI 来完成」

这是一个简单直接的判断方式，当然，产业用户更多分布在汽车、金属加工、3C电子等领域，这类用户对自动化及 AI 的理解更多面一些。

除此之外，手工生产产品的 AI 质检领域也非常广阔。虽然目前我国正在进行产业转型，但仍然有大量工厂依赖人工生产及质检。一个工人一天要手工挑选上万件产品，比如一根 USB 线，注塑完后有没有问题，压铸有没有问题，都是在靠人工检查。又或者是拉锁的识别，需要检查拉锁是否有缺齿，这些都占据工人大量精力。应用 AI 减少重复性劳动、提升质检效率，并且能够高标准确保品控。

总结一下，飞桨EasyDL的部署在工业质检上有如下三点优势：

• 人员成本低
• 操作学习成本低
• 部署场景要求低

说了这么多，大家可以在官网自行体验一款 AI 模型的创建过程，从而才能发现AI与产业结合中的问题，并分析解决。

*内容来源：制造界，侵权必删