曾有一個科研項目，青島啤酒廠委托，研究啤酒瓶的質量檢測。

一般這種玻璃瓶會有一定次品、不良品，特征是，內部細細的裂縫紋路長度長于一定限制，那么這種啤酒瓶在運輸或者開瓶蓋的過程中就有炸裂的風險。

所以，采用計算機攝像，機器視覺，人工智能的技術，加以判斷甄別，減少人工工作量和失誤。

現在，各種基于人工智能、機器學習、深度學習的自動檢測、探傷、表面缺陷檢測的產品部署在一條條生產線上。

當你買到拿到心儀的產品的時候，映入眼簾的，就是它的外觀，這是靠模具廠、組裝廠的工人們精心呵護生產出來的，有的靠人眼檢查，有的靠自動化設備檢查，不放過一點瑕疵。

缺陷檢測被廣泛使用于布匹瑕疵檢測、工件表面質量檢測、航空航天領域等。傳統的算法對規則缺陷以及場景比較簡單的場合，能夠很好工作，但是對特征不明顯的、形狀多樣、場景比較混亂的場合，則不再適用。近年來，基于深度學習的識別算法越來越成熟，許多公司，例如速嵌智造，把深度學習算法應用到工業場合中。

現在，機器視覺在工業檢測、包裝印刷、食品工業、航空航天、生物醫學工程、軍事科技、智能交通、文字識別等領域得到了廣泛的應用。工業檢測領域是機器視覺應用中比重最大的領域，主要用于產品質量檢測、產品分類、產品包裝等，如：零件裝配完整性檢測，裝配尺寸精度檢測，位置/角度測量，零件識別，PCB板檢測，印刷品檢測，瓶蓋檢測，玻璃、煙草、棉花檢測，以及指紋、汽車牌照、人臉、條碼等識別。表面質量檢測系統是工業檢測的極其重要的組成部分，機器視覺表面缺陷檢測在許多行業開始應用，涉及鋼板、玻璃、印刷、電子、紡織品、零件、水果、木材、瓷磚、鋼軌等多種關系國計民生的行業和產品。

如下圖所示，這里以QuickEmbed研究的布匹數據作為案例，常見的有以下三種缺陷，磨損、白點、多線。

識別結果如下

工業零件在制造完成的時候，往往需要去檢測其完整性和功能性。如下圖所示，幾種常見缺陷檢測。

工件裂紋

下面對各行業應用稍加分析闡述

1.航空業

這不僅是一個滿足對飛機所有零部件生產要求和規格的問題，而且是一個在事后發現缺陷時代價高昂的延遲問題。

據波音公司稱，在2.6萬億美元的航空服務市場中，70%的份額用于質量和維護。考慮到僅2016年美國的機械問題就估計耗資超過5億美元，這應該不足為奇。此外，航班延誤(許多乘客滯留)約有三分之一與維修有關。

視覺檢測技術與DL相結合，可以將組件與規格進行比較，發現生產過程中的缺陷。除此之外，制造商還應滿足定期維護要求，以確保乘客安全，并遵循政府的指導方針。這些技術可以識別以下缺陷和問題:

腐蝕-計算機視覺系統可以在更短的時間內對各個部件進行檢查，并返回更徹底的檢查結果。

發動機內部部件的磨損-對發動機內部部件進行遠程目視檢查，以確保有效和安全的運行。

鋁板厚度(通過三維測量)-厚度計可以提供高精度，無損讀數對大型和復雜的鋁板;并將收集到的數據上傳到您的系統進行進一步的分析。

自動車輪檢查-接收有關飛機車輪疲勞裂紋的即時數據。通過使用由計算機視覺驅動的系統，操作人員不必浪費時間在冗長的檢查上，可以專注于手頭的其他工作。

葉片在制造或修理后的檢查-計算機射線照相和數字射線照相可用于檢查葉片的關鍵缺陷。因此，無需使用數字格式的化學品，就可以快速獲得圖像。后者可以進一步進行失效分析，并帶來精確的三維測量。

2.汽車行業

安全問題讓OEM和一級供應商夜不能寐。這是乘客的風險/死亡問題，也是公司聲譽的問題。最近，豐田同意支付13億美元的和解金，原因是一項缺陷導致汽車加速，即使司機試圖減速。美國有6人死于這種缺陷。

利用視覺檢查、人工智能和深度學習的認知能力，原始設備制造商可以更準確地分析和識別質量問題，甚至在問題發生之前就解決它們。隨著時間的推移，當他們熟悉更多類型的缺陷時，這些可視化的洞察和分析可以確定缺陷的嚴重程度。

一家領先的汽車制造商采用智能光學檢測解決方案來檢測金屬表面的劃痕和凹痕缺陷。對于人類檢查員來說，在光亮的表面上發現這樣的缺陷是極其困難的。傳統的機器檢查也沒有什么幫助，因為系統不能捕獲不可預測的凹痕或劃痕缺陷。另一個問題是，該系統必須由人類員工進行培訓，提供有缺陷部件的圖像，教會它分辨哪些部件是可以接受的，哪些部件是不可接受的。然而，公司一開始就有一個相當低的缺陷率，它花費了他們大量的時間和精力來收集一個小的可視化數據集來表示足夠的缺陷變化。最終，他們選擇了一個更“智能”的系統，并很快意識到采用后的好處如下:

降低66%的檢驗成本

假陽性率降低33%

假陰性率維持在1%以下

3.計算機設備制造業

自動光學檢測(AOI)曾經是制造業計算機設備的自然選擇，特別是由于對小型電路板設計的需求正在增長，而且在某些情況下，缺陷可能被證明是高度有害的。

除此之外，AOI還可以檢測到:

區域缺陷

組件偏移

焊料問題

外來材料

高度和體積缺陷

短路

安裝錯誤

當為AOI檢查設置規格和方差裕度時，它們要比人工檢查精確得多。然而，AOI系統仍然無法檢測到設備的“外觀”問題。

這就是為什么富士通實驗室一直在率先為電子行業開發支持人工智能的識別系統，并在質量、成本和交付方面報告了大量進展。通過遺傳編程，該公司的圖像識別系統實際上生成了檢測代碼，能夠產生幾乎100%的識別率。將該技術應用于生產現場，開發時間減少80%左右，識別率達到97%。

然而，不僅僅是高價值的制造可以使用自動化的視覺檢查和人工智能。考慮一下這兩個來自以消費者為基礎的行業的例子。

4.紡織行業

在某個時刻，我們所有人都買了衣服，發現里面貼著“被(某個數字)檢查過”的小標簽。這意味著人工檢查產品在縫紉、織造等方面的缺陷，并確定其符合公司的質量規格。顯然，這是一個代價高昂且容易出錯的過程。接受有缺陷產品的客戶必須經過退貨/換貨程序，這是公司不喜歡的。

自動視覺檢查的實現，以及DL功能，現在可以檢測紋理、編織、縫合，甚至顏色匹配的問題。當發現缺陷時，不僅可以將紡織品或產品從生產線上移除，而且還可以發現缺陷的根源，并在未來進行修復和預防。

同時，可以對這些系統進行微調，以接受更大范圍的容錯能力。例如，Datacolor的人工智能系統可以考慮過去由人工操作人員進行的視覺檢查的歷史數據，從而創建與視覺檢查樣本更接近的自定義公差。

紡織業最新的人工智能用例之一是創建一個檢測和測量織物褶皺的系統。目前織物起皺性能的測量大多是手工進行的，比較繁瑣。計算機視覺驅動的皺紋測量可以幫助制造商降低成本和時間所需的這一過程。

5.玻璃行業

這個行業經常面臨的問題之一是玻璃在生產過程中的缺陷——切屑、劃痕等。通常，當前的檢測方法會產生“假陽性”，例如水滴被識別為切屑。

通過自定義計算機視覺和人工智能模型的實現，可以消除這些類型的錯誤。在一個案例中，正確的缺陷識別為一家大型玻璃制造商在每條生產線上平均節省了3.6萬美元，總計每年節省近100萬美元。

質量控制是一個公司保持制造標準、客戶滿意度以及最終聲譽和利潤的主要因素。計算機視覺有巨大的質量控制潛力。