當前，新型工業化正在持續走深向實，長虹依託5G+工業互聯網，正不斷加速新一代信息技術、人工智能技術與先進制造技術的深度融合，並貫穿於設計、生產、管理和服務等全鏈路，進一步推動了智能製造項目的落地實施。
為此，長虹集團公眾號「微長虹」將以《長虹智造》為主題，聚焦長虹的先進制造能力，產業硬核實力，高效、精準、智能化的生產管理進行系列專題報道，帶大家認識、了解不一樣的長虹。
2023年10月26日11時13分59秒
神舟十七號載人飛船點火發射
並與火箭成功分離
進入預定軌道
航天員乘組狀態良好
發射取得圓滿成功
在神舟十七號成功發射的背後
有一項「長虹造」
為我國的載人航天工程保駕護航
發揮了重要作用
它就是長虹旗下華豐公司生產的連接器
作為「萬里保障信息員」，連接器因其高效及時的傳輸速率，和數據傳輸的高可靠性、高穩定性，搭建起了航天通信的橋樑。因此其對質量的要求極高，異物、裂紋、劃傷等影響到其功能實現的外觀缺陷都要避免，5G+AI連接器全自動外觀檢測系統便應運而生！
過去，在華豐的生產線上，連接器的外觀缺陷檢測大都依賴人工判定，因此有一個專門的檢測班組，員工藉助顯微鏡進行檢測和判定，存在檢測效率低、錯漏檢時有發生、用工成本高等問題。
如今，在5G+AI連接器全自動外觀檢測系統的助力下，產線有了智慧的「眼睛」和「大腦」。通過AI技術進行缺陷識別，不僅大大提高缺陷檢測效率，漏檢和誤判等問題也遁於無形，檢測速度更是達到近萬件/天，且實現了缺陷的零漏檢。
而為了實現連接器的全自動外觀檢測，長虹AI實驗室高級研究員劉明華和團隊付出了百倍努力。
2021年，5G+AI連接器全自動外觀檢測系統項目正式啟動，劉明華帶領AI實驗室工業智能團隊入駐華豐公司，進行長期科研攻關。
在與華豐公司充分溝通商議後，劉明華團隊以某型號高速背板連接器為項目開展的目標產品，通過內部頭腦風暴，設計出連接器外觀全檢系統的基本架構，然後將項目分解為光學成像方案、缺陷檢測算法、自動化平台、人工複檢平台、大容量存儲系統等課題，進行分別攻關。其中，光學成像是項目團隊面臨的一大難題。
「光學成像的難點在於，連接器的缺陷小、面積多、背景紋理複雜、相似，不同的材質、缺陷在同一個光源環境下呈現的效果也大不相同，成像極其困難。」劉明華說，為了實現連接器外觀缺陷的成像捕捉，他們初期採用了模擬人工的機械手方式，利用工業相機拍下產品狀態，再通過算法識別。
然而這種方式常常出現成像虛影、圖像曝光單一不達要求等問題，算法很難精準識別缺陷。於是，他們靜下心來重新分析，根據產品不同材料、不同材質表面呈現出缺損、劃痕、露銅、氧化、異物等30餘種缺陷問題，經過與自動化團隊交流，創新性的設計定位機構，在整條檢測線上設置了數十組相機，並為每一組相機配備不同的光源，通過機構的翻轉與不同光源的配合，實現了檢測機位的圖像採集，覆蓋了連接器的全部外觀缺陷。
在5G+AI連接器全自動外觀檢測系統項目開發過程中，「其中最難的要數缺陷檢測算法的實現。」回憶起整個系統的攻堅，劉明華介紹道，連接器是一個很小的六面體產品，每個面的高度、材質等都不一樣，生產出來後可能會有劃痕、缺損、裝配錯位等30餘種外觀缺陷問題，這些缺陷很小，肉眼很難看到，且很多缺陷因為背景紋理複雜、相似，要算法精準識別每一種缺陷難度極大。為此，劉明華和團隊設計了一套端到端的強弱標籤混合監督缺陷檢測算法，通過將人工檢測的缺陷標準科學量化，「投喂」給算法，讓其自主學習。
缺陷標準的科學量化過程，劉明華坦言：非常具有挑戰性！標準制定嚴格了，產品的合格通過率就低；標準制定寬鬆了，又擔心產品流到客戶手中有質量問題。這個度的把控，極其考驗團隊。於是，項目團隊和華豐公司的生產、工藝、質量、設計等人員展開長期對標工作，針對連接器的外觀缺陷，一起討論分析、做出客觀評判，經過幾個月的努力，終於制定出適用於自動檢測系統的連接器缺陷檢測標準。
隨即，他們將缺陷檢測標準人工標記存儲進算法數據平台，算法僅需通過對少量缺陷樣本學習即可達到超過90%的準確率，同時結合高分成像、缺陷膨脹與並行卷積特徵提取技術，實現了微米級的缺陷檢測，在公開數據集上（少樣本情況下）比目前最先進的缺陷檢測算法平均準確率提高5.06%。
為了實現缺陷的檢測準確，劉明華團隊還在雲端平台嵌入了人工複核系統，針對未知的、新的缺陷類別，採用人工複核平台遠程標註識別，僅標註少量樣本，算法即可自動學習訓練，自動在線迭代更新，拓展了可識別缺陷類別邊界，實現對缺陷的精準捕捉。且系統也將判別為NG的產品圖像推送給複檢人員，由人工做出最終的判定結果。並且搭建大容量、高可靠性數據存儲系統，將通過檢測系統檢測的產品信息予以保留，且可以通過產品的唯一識別碼在數據庫中查詢到對應的檢測圖片。
「該系統還具備極強的遷移推廣能力，可在經過相對簡單的改進後就具備面向其它產品的檢測能力，可以快速複製檢測能力。」劉明華說，這套系統解決了產品質量投訴率高、質量問題難以追溯、人工成本高、招工困難等問題，具備較高的普遍適用性。「未來我們的系統將在少量數據甚至是沒有數據的情況下，也能自主學習、運行。」
來源：微長虹
此文章未經授權，嚴禁轉載，違者必究。
