作为一名在AI缺陷检测领域摸爬滚打了四年的练习生，见证了从简单的图像分类到实时目标检测和图像分割的应用创新和落地。今天给大家分享一下AI技术在缺陷检测场景中究竟是否实用，我们又是如何快速落地的。
首先，我想先来聊聊AI的劣势。事物均具有两面性，AI也有他自己的问题。由于工业场景中图像样本相对单一，每条产线中仅有一种产品，导致训练模型所需的数据集丰富性和多样性欠佳。这样也导致了我们每条产线不得不单独训练一个AI检测模型。而中间的存图、将图像从现场传到云端、训练、验证、部署一套流程下来也是十分繁琐。虽然目前开源的AI项目，在跑通训练和修改模型方面已经十分便利，各个AI Lab大佬的教程也十分细致，但实际落地的过程中仍然存在技术门槛和时间门槛，我们至少要有一位AI算法工程师全职来训练和部署AI。这也是很多人不喜欢加AI的原因。工欲善其事必先利其器，AI的依赖不仅是流程繁琐、价格也是我们选择它的重要一环，而目前主流的推理卡价格也是十分昂贵。有些时候并不是我们不喜欢做AI，而是我们是否值得做AI。
但是，在传统的图像处理算法中，浅缺陷往往是我们不喜欢看到的难题，尤其像素数较少且对比度很低的缺陷，例如浅划伤、浅白点等等。而这种人眼看特征明显但使用对比度和边缘不好提取的特征往往AI可以发挥他的优势。通过简单的标注和训练以及有效的数据增强方式，AI可以忽视掉复杂的背景，检测到这种细小的浅缺陷。再比如印刷品中的印刷偏位，我们通过模版匹配往往会将偏位的样本学习到模板中去，导致真正的偏位难以检出。AI则可以通过偏位的特征来直接检出印刷偏位的位置。
对于工业缺陷检测来说，目前主流还是传统的图像处理技术为主，AI检测为辅的模式。既然AI有优势，那么如何将AI模型快速落地，减少中间算法开发和部署过程，这是我们应用它创造价值的关键。阿基米德说过：“给我一个支点，我能撬动整个地球。”没错，我们需要的正是这样一个支点，从图像标注、训练、优化、导出、部署全流程集成的软件工具。如果有了工具，我们就整合了AI从算法到落地的所有步骤。说干就干，我们开始了应用软件的开发，我给我们的软件取了一个很“高端”的名字：AIDetection。又请了小姐姐为我们的软件设计图标，于是便有了我们蓝底的AD图标，虽然有些像AD钙奶，不过我很喜欢。软件开发过程是漫长的，我们还针对CPU进行了独特的优化，毕竟卡也是蛮贵的。终于，我们从一个算法工程师的模型开发到所有技术服务人员甚至客户都可以应用工具来训练部署自己的模型，效率从此开始一路指数型增长。同时，软件算法在紧跟着前沿最优秀的AI算法模型不断迭代和实验，代表
任何一个新技术落地总是要经历一番探索，不论是AIDetection还是如今爆火的多模态大模型，我们仍在路上。落地并不只是用起来，而是让所有人用起来。从本期开始，我们将会做一个“钱”所未有的挑战，挑战免费帮10个检测项目AI应用落地，想要参与挑战的朋友发私信或评论区留言，我们会联系您发评估图像。
AIDetection会免费开放给各位，下载链接: https://caiyun.139.com/m/i?1D5C28b5xLy9p 提取码:cqn1，也会解答各位朋友私信或评论业内所遇到的各种问题。
|
粤公网安备44030602000670号
提升卡
置顶卡
沉默卡
喧嚣卡
变色卡
千斤顶
照妖镜