AI在手机屏幕外观缺陷检测应用
一、检测背景
手机作为现代生活的重要工具,用户对手机屏幕的要求不断提高。若屏幕存在划痕、气泡、斑点、色彩不均和漏光等缺陷,用户在观看视频、浏览网页或查看图片时会感到不适,影响整体体验,因此高效、准确的缺陷检测显得尤为重要。
二、传统检测存在问题
- 人工检测:人工检测可以发现一些明显的缺陷,但效率低、主观性强,容易受到疲劳和环境因素的影响。
- 传统机器视觉:机器视觉系统在复杂环境下的适应性差,难以处理多样化的缺陷类型和复杂的背景。
三、AI检测优势
AI模型能够通过一些标注数据进行训练,自动识别和分类不同类型的缺陷。这一过程不仅提高了检测的准确性和效率,还减少了人工干预的需求。
-
高精度检测: AI算法能够通过深度学习识别细微的缺陷,检测的准确性达到99+%,最小检测尺寸:3*3 像素。
-
处理时间快: AI模型可以在短时间内分析大量图像,在RXT4060上检测速度可达200张/秒。
-
多样性适应能力:AI模型能够适应不同类型的缺陷和不同的屏幕材质,具有较强的灵活性。
-
实时缺陷分类:将AI嵌入生产线,可以实时对每个屏幕的缺陷进行分类,迅速判断是否合格。
四、AI检测方案
此手机屏幕外观缺陷检测方案基于深度视觉AI平台实现,深度视觉致力于深度学习,为企业提供高效、精准、稳定的AI视觉解决方案。
4.1 图像采集
选择高分辨率的工业相机和合适的镜头拍摄屏幕图像,收集大量正常和有缺陷的手机屏幕图像,构建训练和测试数据集。
4.2 数据准备
将收集到的缺陷图片,用深度视觉labelmeAI标注工具进行标注,内置AI多边形标注功能辅助标注,加快了数据处理速度,减少人力资源投入。
4.3 模型训练
使用 AI训练平台 创建项目和任务类型。
通过 项目信息 模块可对项目名称、数据集路径和工作目录进行修改。
通过 数据分析 功能进行图像预览,获取统计标注数据和图像尺寸信息。
设置 训练参数 ,不同的训练参数会影响模型的训练时间、收敛速度、模型性能等。训练参数推荐:
- 训练集和验证集按照 8:2 的比例进行划分。
- 数据倍增选择 3,表示使用三倍的数据进行训练。数据量少时,可以选择5-10。数据量超过 1000 时,通常为 1。
- 训练尺寸 640×640;这里的训练尺寸不一定与图像尺寸相同。训练尺寸越小推理速度越快,原图尺寸在 1000×1000 以下,通常选择 320×320 或 640×640,需按实际效果调整。
- 实例分割检测模型默认参数:训练代数 12 代,学习率 0.001,批量大小(batchsize)2。这些参数通常不需要调整。
通过 历史记录 模块可查看模型训练记录和模型评估指标。
训练完成后,模型存放在设置的 工作目录 下,模型名称由项目名称+完成时间 组成,文件格式为.dvp。
4.4 检测效果
将训练完成的模型和测试集图片导入AI测试平台,可视化模型效果,查看缺陷检出效果。
(1)划痕检测
(2)油污检测
(3)斑点检测