南昌股票配资 外观缺陷检测让制造成本居高不下，中大教授这样破题

周二公布的美国2月季调后CPI月率录得0.4%，符合市场预期南昌股票配资，前值为0.5%；美国2月未季调CPI年率录得6%，符合市场预期，前值为6.4%；美国2月未季调核心CPI年率录得5.5%，符合市场预期，前值为5.6%。

11月11日，由广东省人工智能产业协会、广州市游戏行业协会、中山大学校友会、广州市中山大学校友会联合主办，中山大学数学学院、佳都科技集团股份有限公司、广州君海网络科技有限公司共同协办的“中大百年-共探人工智能与数字经济新发展”活动在中山大学举办。会上，还举行了中山大学人工智能产业联盟和中山大学数字经济产业联盟启动仪式。

佳都科技集团党委书记、高级副总裁刘佳在会上提到，生成式人工智能等新技术，正在从技术突破期进入应用爆发期，推动数字经济与实体经济深度融合。佳都科技作为轨道交通等产业链链主，与中山大学发挥各自优势，在科技研发、人才培养、技术攻关、场景落地等方面开展深度合作，共同推动以人工智能为代表的新一代信息技术发展，应用于国际领先的智慧城市、智慧交通、智慧医疗等多个领域，打造了产学研用一体化的产业链价值跃升标杆。

中山大学计算机学院二级教授赖剑煌作《面向工业 AI 外观质检的柔性视觉检测技术及其应用》主题演讲，分享了面向3C外观检测的一体化通用检测平台创新案例。

一个手机到出厂，要多次做检测，包括机器人码垛、喷码检测、装箱检测、读码追溯、外观检测等等。科学家很早就在研究，针对缺陷问题，如通过颜色、形状、纹理来判断。但过去一个方法多只能针对一个缺陷，但一个产品可能有几十个缺陷，做不到柔性。

“产品外观缺陷检测是当前制造业成本最高的工序之一。”赖剑煌说，这也由此带来了新的市场机遇，2025年，中国智能检测行业市场规模预计将达5745.2亿元，同比增长10.0%。

赖剑煌指出，深度学习提供了缺陷解决的机会，主要是数据驱动。不过，这也面临四个方面挑战，首先是样本不平衡问题，大多数情况下OK样本居多，缺陷样本偏少，这需要利用OK样本做数据增强，扩充训练样本。

换句话说，生产线一般都是合格产品，要长时间搜集有缺陷的产品，这其实还是比较困难的。

办法在于，使用孪生网络分别提取两类样本的深度特征；使用自注意力机制启发的特征重构模块分别重构两路特征；融合重构后的特征用于缺陷预测。

其次，缺陷尺度变化多，实际上，缺陷尺度变化广、弱小目标检测难。办法在于，在提升阶段，利用Haar小波提取特征，引导Transformer模型增强高频感知能力；在抑制阶段，将同属于高频成分的噪声特征进行抑制，仅关注缺陷部分。

再次，如何解决产品线上产品多批次少批量的生产问题。生产线不只是生产一个产品，多批次、少批量，产品差异比较大，变化了的产品，缺陷也自然不同。

破题思路在于，结合旧产线（源域）的标注数据，提高已有模型在新产线（目标域）上的缺陷检测效果；而新产线的缺陷数据无需标注，节省标注时间。

最后，推理速度需要跟上产线节拍。办法在于，提出轴向分解的自注意模块，用位置感知相似性取代注意力计算中的点积相似性，等等。

“摄像头支架外观检测中，甚至一粒灰尘，都能带来误检。”赖剑煌说，在面向3C外观检测的案例应用中，合计质检点位共计58个，实现裂纹等重点缺陷漏检率0%，过杀率15%以下，全缺陷漏检1%以下。该方法已规模化复制，日产能可达120万片。

南方+记者  郜小平

• 外观
• 检测
• 南昌股票配资
• 制造
• 缺陷