1. AI技术在瑕疵检测应用中的挑战

人工智能(AI)技术作为“未来数十年”最先进的生产力代表之一，正在赋能各行各业。在智能制造领域，AI技术被广泛应用于外观瑕疵检测，也称为AI工业质检。IDC预计，2025年中国工业AI质检整体市场将达到9.58亿美元（约合人民币62亿元），2021-2025年CAGR为28.5%，如下图所示。

图片来源：https://www.idc.com/getdoc.jsp?containerId=prCHC49755922

在外观瑕疵检测领域，广东荣旭智能技术有限公司作为定制化检测系统及一体化检测装备供应商，已耕耘了十多年，落地超过200多种AI质检设备，并将AI技术和行业应用经验集成到了图形化AI视觉开发平台：360°机器视觉检测设备中，通过无代码和迁移学习的方式，快速落地AI质检设备。

软件截图

  在AI工业质检的实践中，即便应用了迁移学习，也需要在产线上对每种瑕疵收集几十张负样本。假定瑕疵A的发生率为0.1%, 为了收集50张A瑕疵的负样本，则需要等待50,000个产品制造出来，不仅难度大，而且耗时长，成本高。

  收集负样本，已经成为AI瑕疵检测应用中的重大挑战之一。当前，解决该挑战的思路主要有两个：

  一种思路是应用Zero-Shot Learning(零样本学习)技术，当前最火爆的计算机视觉Zero-Shot, Learning模型是Meta发布的SAM大模型，以及后续的改进系列，例如，FasterSAM、MobileSAM等等。

另一种思路是应用无监督学习技术，即无需收集负样本，只需要学习少量正样本，便可以检测出异常样本。当前在AI工业质检中应用广泛的无监督异常检测深度学习库是Anomalib, 链接：https://github.com/openvinotoolkit/anomalib。

  本文将介绍基于Anomalib和英特尔开发者套件打造智能光学字符瑕疵检测系统。

2. 项目背景与技术方案

  印刷字符瑕疵检测是一个在制造线终检段的刚性需求，如下图所示，任何有字符瑕疵的产品都不能流出工厂。当前，行业中普遍采用的是OCR、OCV以及模板匹配的方式来识别，由于不同行业的产品表面都不一样，背景复杂多变，要准确提取并识别字符瑕疵存在一定难度，而且效率低，误判高，操作复杂。

字符瑕疵及检测结果

  荣旭智能光学字符瑕疵检测系统，基于Anomalib工具包和英特尔开发者套件，搭载工业相机及工业镜头完成原型样机设计，如下图所示。

光学字符瑕疵检测原型样机

3. 软件技术方案与实现

荣旭智能光学字符瑕疵检测系统的软件实现主要由三个步骤实现：

1. 安装Anomalib和OpenVINO

2. 训练正样本并导出OpenVINO模型

3. 验证检测结果

第一步，安装anomalib和OpeNVINO，命令如下所示：

pip install anomalib

pip install openvino-dev

第二步，训练正样本并导出OpenVINO模型，首先，请在datasets\MVTec\bottle\train\good放置23张正常的OCR字符图片

然后，请在datasets\MVTec\bottle\test\good放3张正常的OCR字符图片

接着，请在datasets\MVTec\bottle\test\contamination放一张字符缺的OCR字符图片

并修改rc/anomalib/models/padim/config.yaml文件，如下所示：

optimization:

  export_mode: "openvino" # options: openvino, onnx

修改之后，模型训练完毕后会直接生成OpenVINO的模型。

最后，输入命令，等待训练完成：

python tools/train.py --config src/anomalib/models/padim/config.yaml

第三步，验证检测结果

训练完成后，在results\padim\mvtec\bottle\run\images\good下是ok图片的验证结果，正常的图片是没有误识别的，如下图所示：

在results\padim\mvtec\bottle\run\images\contamination下是我们放置的一个NG图片，结果如下：

可以看到，缺陷正常识别出来了

使用OpenVINO实现推理程序，结果如下所示：

  经过OpenVINO优化后，该算法在N5105 CPU上运行速度大约200ms左右，iGPU的运行速度大约100ms左右，完全满足大多数光学字符瑕疵检测的速度需求。

4. 总结与展望

  荣旭智能基于Anomalib打造光学字符智能解决方案，在保证检测效率可行的前提下，可以大大地降低AI使用成本，对于工厂端多了一个更优的选择方案。

  下一步我司将使用OpenVINO的NNCF工具包，对Anomalib模型进行INT8量化，进一步提高在英特尔开发者套件上的推理速度，并将这套智能光学字符解决系统应用于磁芯元器件、IC半导体、车载电子变压器等领域。