騰訊優圖以深度學習為基礎，AI+工業解決方案已在多個質檢領域落地

　　5月21日—23日,2019騰訊全球數字生态大會在昆明召開。在AI智能制造分論壇上,騰訊優圖實驗室總監戴宇榮發表了《深度學習技術與應用分享》的主題演講,以AI在工業中的實際應用為例,從傳統工業流程存在的痛點、優圖的算法、深度學習如何解決工業領域痛點等方面,分享了騰訊優圖的深度學習技術及落地應用。

　　“在工業領域,深度學習解決方案比傳統機器視覺更具優勢。”據戴宇榮博士介紹,以深度學習技術為基礎,騰訊優圖帶來的AI+工業解決方案,為行業降本、增效、提質,已經在PCB闆缺陷檢測、锂電池缺陷檢測、面闆缺陷檢測等多個方面得到落地應用,助力傳統工業産業智慧化升級。

　　質檢問題長期存在,成困擾傳統工業生産的難點

　　在傳統工業流程中,人力成本高、危險性大、無意義的勞動過多等難點長期存在,傳統制造企業的轉型升級勢在必行。

　　從傳統工業的細化流程來看,以電子行業為例,質檢是内控的剛需,然而傳統的質檢模式存在許多局限性。一方面,人工質檢準确性低,而且檢測速度慢、穩定性差,容易影響整個生産過程的效率;另一方面,人工檢測有延時,當大量作業,産品需要轉運,中轉的倉儲時間,難以第一時間發現産品質量問題;與此同時,質量檢測的人力成本高,招工難,人員離職率高。種種問題對傳統質檢流程提出了挑戰,成為阻礙工業領域實現智能化生産的一大難點。

　　如何合理應用AI的能力,提升制造業的生産效率,通過創新産生更大的價值,成為整個行業思考的議題。

　　AI質檢驅動,騰訊優圖解決傳統質檢模式痛點

　　電子行業的痛點,表面看是人的問題,實際上是系統生産力低下的體現。

　　針對電子行業質檢的生産力揚升需求,騰訊優圖以深度學習技術為基礎,聯合騰訊雲,為客戶提供針對性的DNN技術解決方案,可以真正幫助電子企業實現質檢的“多快好省”。

　　“一方面,我們建立了流程自動化的大規模自動産生模型。涵蓋了預處理、分割定位+模闆匹配、分類鑒别+相交斷線三大步驟。”戴宇榮介紹,該模型能有效解決缺陷太小、尺寸、色差、旋轉差異引起的性能下降等問題。另一方面,以AI技術為基礎,騰訊優圖實驗室實現了算法平台化,加速産品工具開發,讓客戶的工程師可以從0到1,創建出一個全新的模型,完成技術内化。

　　此外,騰訊優圖通過引入AI質檢,将産品缺陷一一分類,根據缺陷自動查找導緻運行不良的原因,從而實時監控并降低産品質量不良修正的間隔時間,驅動了電子企業的良率管理新模式。

　　戴宇榮指出,“相比傳統算法而言,深度學習解決方案更具優勢。”可以通過深度學習識别和分析複雜無規律缺陷;大數據量學習可以達到高準确率、低誤判率的效果。

　　以深度學習技術為基礎,騰訊優圖聯合騰訊雲,為電子企業帶來了降低成本、精細檢查、實時監控、提升良率等價值。可解決客戶招工難,熟練不易培養等問題,幫助企業降本增效;将AI+工業應用于智能制造,輔助企業提升産品質量和制造工藝改善,助推産業智能化升級。

　　面向未來,AI+工業解決方案助推産業智能化升級

　　目前,騰訊優圖的AI視覺檢測平台架構,已經在工業質檢領域得到應用,在PCB闆缺陷檢測、锂電池缺陷檢測、面闆缺陷檢測等多個落地應用項目。

　　戴宇榮介紹,“在液晶面闆缺陷檢測中,我們建立了可複制型工業AI視覺檢測系統。”采用多模型協同運作方案,識别準确率達90%。輔助 100多道工序質檢,幫助節省50%以上人力成本,顯著提升質檢效果

　　而在手機背闆缺陷檢測中,騰訊優圖則建立了複合深度學習缺陷檢測模型,解決背景簡單重複、缺陷偏小、缺陷與背景差異很小情況下的缺陷的檢出。同時滿足多缺陷同時存在的檢測需求。

　　在高端複合材料無損檢測中,騰訊優圖縮短了檢測時間,提升了評片可靠性(高于專家判片)、減少了質檢人數、增強了檢測數據可追溯性。

　　據悉,在“AI+工業生産檢測”方面,騰訊優圖聯合騰訊雲打造的工業AI解決方案,已經在國内某知名面闆企業進行落地應用,在面闆智能質檢上建立可複制型工業自動化排查系統。

　　在演講的最後,戴宇榮表示,騰訊優圖的深度學習技術将為工業行業持續創造價值。未來,騰訊優圖也将不斷疊代升級,注重落地應用,為更多行業客戶提供業界的解決方案,助推産業智能化升級。