? 圖像處理:通過圖像壓縮、圖像增強、圖像信號的頻域分析等技術獲得數字圖像相關的一系列屬性指標,可以有針對性地提升圖像質量或者進行初步的特征提取,通常使用圖像處理算法作為計算機視覺、機器學習以及深度學習等相關任務的預處理和后處理的關鍵技術。
? 計算機視覺:基于光學傳感技術來模擬人的視覺機理獲取信號,通過計算機模擬人對這些光學信號的處理能力,讓計算機通過圖像或視頻等視覺信號理解現實世界中的場景、物體和各種目標模式,其應用范圍覆蓋了大多數工業領域的生產質量檢測與分析。
? 基于早期機器學習算法,在應用場景約束和有限數據的條件下,實現了工業生產領域的高準確度缺陷檢測與分類,成為行業生產質量管控的有效輔助手段。
? 早期機器學習在生產數據上的分析結果,有助于行業數據集的收集、歸納整理,為后續基于深度學習技術在行業應用上的擴展奠定了數據基礎。
? 在行業產品數據日益積累擴大的基礎上,首先將深度學習相關研究成果落地到行業生產的智能質檢中,在提高缺陷檢測和分類準確度的同時大大增強了魯棒性。
? 利用自編碼模型實現了具有規則紋理產品的缺陷檢測,利用大量易收集的正樣本數據集并采用自監督學習算法實現缺陷的精確分割。
? 基于生成式模型實現了部分罕見缺陷樣本的生成,一定程度上緩解了缺陷樣本不均衡的問題。
? 在大模型快速發展的驅動下,嘗試基于語言大模型的知識先驗和提示工程,通過多模態學習實現模型在應用領域小數據下的快速遷移能力。并將工業生產領域智能質檢的使用模式進行擴展,大大提升用戶的感官體驗。
? 工業生產質量與原料品質、存儲環境以及生產設備狀態等等因素密切相關,而與這些因素相關的參數不但多維且復雜。因此,基于大數據分析的相關技術,從數據預處理相關算法開始對數據進行清洗,采用可以處理時間序列數據的深度模型對清洗后的數據進行分析,按照設定的目標任務引導模型訓練,最終實現產品質量預測以及參數關聯分析、生產過程綜合質量評價、以及設備狀態監控和智能維護等功能模塊。