表面紋理瑕疵檢測

在表面紋理瑕疵檢測的案例中有幾個難題:

首先，必須要在材料自然花紋中把瑕疵抓出來，這大大挑戰了傳統檢測演算法的可行性，於是深度學習成為必要手段。

第二，即使採用深度學習去訓練瑕疵辨識瑕疵，要等待工廠生產一段時間才能機會取得足夠的瑕疵樣本，以及瑕疵樣本類型常常集中在某一特定族群，例如汙點刮痕特別常見，很容易檢得好，其他稀有瑕疵樣本不夠學不起來，導致稀有瑕疵突然出現時系統沒有辦法檢出，即使明知道這種採集瑕疵樣本的方法，訓練效率高、檢測精度好，常常在初期樣本數還沒有起來的時候，如果沒有溝通清楚，會被客戶譏笑為只會拍照、不會檢查的機台。於是 Anomaly Detection 使用良品訓練來排除異常的手法成為檢測方案的明星，因為工廠生產過程中，大部分的樣品都是良品，很容易取得。

第三，坊間 Anomaly Detection 產品方案常常精度不佳，只能很模糊的告訴你那附近好像有瑕疵，不容易清晰地將瑕疵範圍勾勒出來。再者，我們日常生活中常見的物品很少是四方形規規矩矩的形狀，通常是有特定輪廓的，這意味著，當相機拍到這個物品，有的地方是需要檢查的，有的地方是不需要檢查的，坊間 Anomaly Detection 如果針對局部規則去做學習，雖能檢查產品表面紋路上有異常，但輪廓上的變化會誤判為瑕疵；如果針對整體輪廓去做學習，檢查細部紋路異常的能力及精度又會下降。

我們 Aurora Vision Studio 可以透過圖控拉建檢測流程，把各種單一功能整合起來，輕鬆幫你實現在自然花紋中學習良品去檢測瑕疵，清晰勾勒出瑕疵範圍，但又不會將產品輪廓變化誤判為瑕疵的檢查方案。

詳細產品介紹: https://www.urvision-tw.com/products_detail/32.htm