PCB板 - 深眸科技

3c电子

PCB板

项目难点：

· 检测项目较多:连焊、虚焊、空焊、无引脚等;
· 检测目标小,形状多种、数量多;
· 检测目标规格不同,难以控制适配所有产品的光照环境和拍摄距离;
· 产品运动控制系统成本昂贵。

解决方案：

使用线扫相机与多光源方式成像,通过深度学习与图像算法融合计算的方式,精准定位空焊,连焊等常见缺陷。复杂缺陷要在生产过程中不断优化深度学习算法,提高直接识别准确度。

落地效果：

月统计模型识别效果:99.9%精准度。

3c电子

PCB板

在大型家电行业中，流水线检查产品配件数量和种类是否正确，需要人工逐件检查，不仅人工成本极高，且效率低下、易错率高。此项目需求也是大多数工厂流水线作业的代表。

项目难点：

· 检测项目较多:连焊、虚焊、空焊、无引脚等;
· 检测目标小,形状多种、数量多;
· 检测目标规格不同,难以控制适配所有产品的光照环境和拍摄距离;
· 产品运动控制系统成本昂贵。

解决方案：

使用线扫相机与多光源方式成像,通过深度学习与图像算法融合计算的方式,精准定位空焊,连焊等常见缺陷。复杂缺陷要在生产过程中不断优化深度学习算法,提高直接识别准确度。

落地效果：

月统计模型识别效果:99.9%精准度。

家电制造

LOGO防错漏检测

风扇装饰环LOGO的检測需要工作人员凭借肉眼识别，工件尺寸差别小、内容差异性小，工作人员在工厂环境中长时间的工作，常常会出现识别错误的现象发生，工作效率低下。

项目难点：

· 现场环境复杂，对于光照的要求较高

· 工件尺寸、标识种类较多

· 装置灵活度要求高

· 工件表面有薄膜，对于图像处理的要求高

项目效果：

· 正确识别LOGO的判断能力≥99.9%

· 检测无遗漏，全面性更强，过检率提升10%

· 生产节拍≤3s/pcs(稳定检测)

· 代替人工，并保证稳定性

技术优势：

· 柔性自定义光源，做到精准光照

· 深度学习技术，快速识别不同缺陷特征数据

· 成像速度快、工作流程短

· 识别准确度和效率高

≥99.9%

正确识别LOGO的判断能力

10%

过检率提升

家电制造

视觉引导螺丝锁付

锁付产品为空调外机面罩，前端工序由人工手动完成面罩与盖板准确贴合螺丝孔位后锁付螺丝，实际作业中，由于材料差异以及输送过程中的振动摩擦，容易出现各式各样的缺陷，难以被传统视觉算子检测出。

项目难点：

· 面罩脱落、错位、堵孔等各样缺陷

· 孔位特征差异较大

· 需要进行锁付前纠偏

项目效果：

· 可高效地计算出多层孔位对齐的偏差姿态与最佳螺丝锁付点

· 实现在孔位错位情况下，动态调整螺丝刀位姿进行孔位纠偏着点锁紧

· 可以满足各种情况下螺丝孔位安装状态的检出

技术优势：

· 采用多尺度特征融合学习算法与对抗重建模型

· 抗干扰能力强、稳定性高、兼容性广

· 采用孔位评估策略和手眼协同动态纠偏算法

家电制造

OCR错漏检测

内机外壳的品牌LOGO以及商标丝印生产时会有缺损和错误的情况，同时装配阶段也会发生混料问题。由于生产量巨大，人工质检已经不能满足生产效率。

项目难点：

· 多种不同型号的产品

· 商标丝印各不相同，软件切换时间短

· 单位检测时间需要判断多个图像特征

· 缺陷类型多样，产品成像角度不稳定

项目效果：

· 实现多种型号产品自动检测，有效防止混料、错料情况

· 高效作业，已能够完全替代人工质检，提升效率25%

· 识别准确率超99.9%，低延时毫秒响应

技术优势：

· 深度学习视觉平台，秒级切换不同产品型号生产

· 高性能软件架构提升识别效率

· 自研算法，动态判断产品字符内容

· 采用并发与异步等方式提升单位时间处理次数

25%

提升效率

>99.9%

识别准确率

家电制造

运动在线喷塑件缺陷检测

在产品冲压过程中，由于机床在生产过程中会产生细小的金属碎屑，以及机床本身出现故障，导致冲压产品的表面产生多种不规则的缺陷，人眼观察难度巨大，人工质检已经无法满足生产效率要求。

项目难点：

· 缺陷类型多样、分布不规则

· 对光学要求较高，需一次成像检测所有缺陷特征

· 产品有五个面需要检测，对算法要求较高

· 完整的产品检测流程较长，需要内外联动机器人

项目效果：

· 已实现多产品型号的自动检测，实现秒级切换

· 良品率提升10%，节省生产成本15%

· 识别准确率超99%，提升30%工作效率

· 高效作业，已能够完全替代人工质检

技术优势：

· 采用多尺度特征融合学习算法与对抗重建模型

· 自研视觉算法，对缺陷特征进行分类以及二次处理

· 采用自研深度学习视觉平台，有效联动外部设备

· 使用成像自适应算法，适配多种尺寸

10%

良品率提升

15%

节省生产成本

>99.9%

识别准确率

30%

提升工作效率

3C行业

PCB板底检测

PCB板是电子信息产业不可或缺的基材，在生产制造过程中，短路、焊桥、开路、元器件松动或错位等缺陷检测，是对产品质量把控的不可或缺一环。

项目难点：

· 检测项目较多：连焊、虚焊、空焊、无引脚等

· 检测目标小，形状多种、数量多

· 检测目标规格不同，难以控制适配所有产品的光照环境和拍摄距离

· 产品运动控制系统成本昂贵

项目效果：

· 检测准确性和一致性明显优于质检员水平

· 识别效果精准度≥99.9%

· 精准实现对小型缺陷的识别，缺陷检测精度提升20%

· 设备直通率90%以上，大幅度点降低控制系统成本

技术优势：

· 大量样本数据累积，全面覆盖各类缺陷

· 识别效率高，精确检测不同类型缺陷

· 随需构建算法模型，快速锁定小型缺陷

· 智能抓取算法，适配各类机台轨道结构

≥99.9%

识别效果精准度

20%

缺陷检测精度提升

>90%

设备直通率

3C行业

电阻焊接缺陷检测

在焊接生产过程中，由于各种因素的影响，往往会产生各种焊接缺陷。焊接缺陷不仅会影响焊缝的美观，还有可能减小焊缝的有效承载面积，造成应力集中引起断裂，直接影响焊接结构使用的可靠性。

项目难点：

· 缺陷的表现特征跨度大，具有无规则性，无边界性

· 产品缺陷产生位置受结构影响，无法采用统一的拍照角度

· 不同角度的视角会引入复杂背景的干扰

项目效果：

· 实现局部微小缺陷与全局性大缺陷的同时检出

· 解决焊接缺陷的规则性边界性问题

· 满足多视角下的缺陷识别，检测率高达99.9%

技术优势：

· AI视觉技术进行前景背景分割

· 视觉注意力机制对焊接区域进行强化学习

· 多维度特征提取与多尺度识别

99.9%

检测率高达

3C行业

精冲件缺陷检测

由于精冲件加工工艺特殊、零件形状复杂，可能存在各式各样的缺陷。这样的精冲件外观缺陷难以高效检测，检测准确性和检测稳定性较差、容易误判。

项目难点：

· 工艺精度较高，缺陷尺寸微小，肉眼难以观察

· 产品表面残留大量明显的铣痕

· 缺陷相近特征，对缺陷分辨有比较大的干扰

项目效果：

· 极大的提高微小缺陷的检出率，高达98%

· 背景纹理抗干扰识别能力泛化性，提升20%

· 精准实现对缺陷的识别，缺陷检测精度≥99.9%

· 大幅度提高生产效率，更好地控制生产质量

技术优势：

· 多尺度特征融合训练与小目标缺陷检测技术

· AI技术学习铣痕特征，增强缺陷识别抗干扰性

· 采用生成对抗神经网络进行铣痕缺陷背景融合

99.9%

微小缺陷的检出率高达

20%

抗干扰识别能力提升

≥99.9%

缺陷检测精度

3C行业

交换机钣金外观缺陷检测

在生产制造的检测测量环节，因为加工环节多样化、钣金件规格种类繁多等原因，传统检测方法难以全方位检测出有缺陷的钣金件，效率低且无法实现同类型缺陷的分拣。

项目难点：

· 缺陷类型多样化

· 尺寸差异大，单个相机视野无法覆盖

· 传统视觉建模板频繁，标记难度大，换型困难

· 光学不均匀性使局部检测特征弱

项目效果：

· 降低产品换型建模的频率，大幅减少用户操作换型工作量

· 提升微弱特征在感受野的差异化

· 增强目标缺陷的纹理特征

· 提升缺陷的准确识别与反射噪点的抗干扰性

技术优势：

· 多源图像高精度拼接

· 多尺度图像目标检测和增强学习技术

· 采取区域特征图提取、微弱特征增强与特征图像分解等关键算法

物流行业

周转箱拆垛检测

周转箱是当今工厂中必不可少的物流载体，关于它们的拆垛应用，有不少难题，垛形复杂多变、箱体种类繁多等等，周转箱拆垛的自动化转型是物流行业快速发展的重要一环。

项目难点：

· 周转箱重量大、SKU种类繁多、周转箱表面图案复杂

· 180秒内需要完成整垛周转箱全流程拆跺及安置

· 同步完成视觉测距、定位、探测以及路线规划算法

项目效果：

· 24小时工作，节省人力成本60%

· 精准识别多种箱体

· 通过和机械臂的协同工作，识别错误率0.1%

技术优势：

· 集拍照、点云生成、位置获取等于一体

· 3D相机+深度学习+机器视觉，多维融合

· 自研上千种算法模型，快速完成应用搭建

60%

节省人力成本

0.1%

识别错误率

物流行业

化妆品分拣项目

化妆品生产厂中，容易出现不同种类的化妆品混合的现象。但因为化妆品种类繁多且结构复杂，不易进行归纳整理，人工分拣不仅成本不断升高，且常会出现分拣错误等现象。

项目难点：

· 化妆品种类繁多且结构复杂

· 要求处理速度最快、频率高

· 需要在较小的空间内完成产品分拣

项目效果：

· 24小时工作，节省人力成本40%-60%

· 分拣准确率达99.9%

· 精准识别并分类化妆品，通过和机械臂的协同工作，识别错误率低于0.01%

· 和人工作业相比，持续作业速度可提升1倍

技术优势：

· 自动识别海量混杂抓取方式

· 多视角光场成像

· 深度学习算法，持续不断的优化抓取结果

40%-60%

节省人力成本

99.9%

分拣准确率

<0.01%

识别错误率

新能源

电池缺陷检测

随着新能源大力发展，电池的市场竞争越来越大，很多的厂商开始着重提电池的出厂质量，传统的检测方法已经不能满足于现在的发展，这就需要电池外观缺陷检测实现自动化检测。

项目难点：

· 涉及虚焊、脱焊、极群装反、极柱变形、汇流排折弯、极耳数量多种缺陷类型

· 缺陷材质多样

· 没有统一的行业标准，缺陷界限模糊，没有明确的数据确定产品是否符合不良品

· 生产过程中不断增加新的缺陷

· 现场设备限制，待检测产品位置存在偏移

技术优势：

· 搭配英特尔 OpenVINO™ 工具套件，输出的更优级CPU推理性能

· 结合深度学习技术，灵活应对不同检测场景的需求

· 融合人工智能分类识别模块，有效提高缺陷检测效果

· 全幅面实时动态视频监控，监控和检测并行工作

· 标准嵌入式工业设计，标准进口硬件单元，方便随时升级和扩展

项目效果：

· 0.01%漏检，不超过5%过检

· 快速剔除不良品，让出厂产品达到99%合格率

· 精准实现对虚焊、脱焊、极群装反、极柱变形等缺陷的识别，检测精度≥90%

0.01%

漏检

99%

产品合格率

≥90%

检测精度

新能源

氢燃料电池极板缺陷检测

氢燃料电池极板在生产工艺中会产生划伤、掉膜、凹凸点、脏污等缺陷，依靠人工目测检查的方式，存在较高的误检、漏检，同时有些细小缺陷，难以被肉眼检测出，容易造成不良品的流出。

项目难点：

· 缺陷多样化、分布不规则

· 局部特征和缺陷特征具有很高的相似度

· 缺陷尺寸在丝米级别，类别差不明显

· 缺陷规则的方向性，较难实现全部缺陷检出

项目效果：

· 增强了对电池极板上的干扰纹理的适应性，误检率降低了20%

· 实现在丝米级精度下精确地对不同类型缺陷的对比分类，精准度高达99.9%

· 实现同一产品的不同角度识别的融合处理，准确率高、稳定、覆盖面广

技术优势：

· 背景感知、强化学习等AI技术

· 多尺度特征融合训练与小目标缺陷检测技术

· 多角度图像采集点智能协同方案

· 像素级轮廓特征处理算法

20%

误检率降低

99.9%

精准度

木材加工

木材加工高精度线圆测量

木材加工的质量决定木材成品的质量，木板板材生产中按照设计图纸对木板进行打孔作业，容易产生孔径误差，孔位偏移等问题。

项目难点：

· 生产中对孔位、孔径尺寸精度要求高，误差在丝米级别

· 生产的木板材尺寸差异大，视觉检测视场覆盖面不足

· 孔位孔径规格多、数量多，创建模板工作量大，产品换型困难

项目效果：

· 满足大视场大尺寸产品的全覆盖高精度测量

· 实现木板材图纸与打孔规格全自动识别

· 无需重复手动创建模板和产品换型，提升柔性检测的兼容性

技术优势：

· 多角度图像采集点智能协同方案

· AI技术提取学习木板材孔位加工特征

木材加工

木材缺陷检测

实木家具生产中，木材的结节、虫蛀、开裂、油渍、边皮等主要缺陷会影响其出材率，进而提高成本。因此，精准识别缺陷位置和缺陷范围，才能够有效实现“木材优选切割”，提升出材率。

项目难点：

· 同一种缺陷下的颜色、纹理和形状都会有很大差异

· 部分活结节缺陷从成像上看几乎与木材本身的花纹无异

· 木材作为一种自然材料，缺陷不一致性极大

项目效果：

· 尺寸兼容性强：宽度30-400mm、长度100-6000mm

· 检测速度最快可支持4m/s

· 漏检率≤0.05%

技术优势：

· AI算法对各类缺陷的大量图像样本进行学习

· 每类缺陷都建有一个准确的算法模型

· 利用目标识别对木材常见缺陷进行精准定

≤0.05%

漏检率

4m/s

检测速度最快支持

木材加工

地板花纹分类

地板的花纹是树木自然生长形成的，花纹都是随机分布，且切割的方向也会影响花纹的形状。因此木材在切割成地板后，每一片的纹理都会有差异，传统的机器视觉识别无法满足极其不规则的分类需求。

项目难点：

· 花纹排列极不规则

· 同一类花纹，各自的花纹排列都差别很大

· 不同树木的颜色差异很大

· 传统机器视觉无法很好的兼容不同颜色地板的识别

项目效果：

· 尺寸兼容性强：宽度30-240mm、长度600-2200mm

· 不停线识别，产线生产效率提升30%

· 24小时连续识别，降低20%的人工成本

技术优势：

· 融合深度学习技术不断提升识别精度，实现精准快速分类

· 利用目标识别对结节、伤疤等木材常见缺陷进行自动定位

30%

产线生产效率提升

20%

降低人工成本

木材加工

木碎屑颜色识别

木碎作为木材行业中具有广泛用途的副产品，是木浆造纸的重要组成部分。在造纸过程中，需要利用漂白粉对木碎进行颜色调整，而由于木碎颜色的不统一性，易导致漂白粉剂量偏差，提高生产成本。

项目难点：

· 颜色、纹理和形状等方面差异性极大

· 深浅2种颜色的木碎相互掺杂，干扰算法判断

· 木碎来料有干有湿，干湿颜色各不相同

· 木碎来料批量大，颜色复杂且随机性高

项目效果：

· 可快速完成对大批量复杂且随机的木碎的颜色识别

· 检测速度最快可支持4m/s

· 识别准确率≥99.8%

· 识别结果实时输出，收料端人员可及时做出相应调整

技术优势：

· 深度学习算法，不断提高样本训练精准度

· 训练模型可快速识别深浅木碎掺杂下的颜色

· 学习算法融合高频细节，稳定判断复杂颜色

· 算法学习无异物的木屑图像，快速检测出污染物

4m/s

检测速度最快支持

≥99.8%

识别准确率

纺织行业

断线检测

在纺织生产工业中，纺织机在纺纱过程中会出现突然断线的情况，且难以被肉眼检测出，而一旦断线为检出人容易让设备受到损坏，直接造成纺织厂的纺纱系统不能有效地运行，进而造成经济损失。

项目难点：

· 梳毛机对应线筒的线圈数量不同

· 线色多种

· 现场设备结构复杂,无法达到较优的光环境和拍摄视角

· 工作人员频繁更换线筒,检测设备无法固定位置

· 为保证线圈品控,断线后较短时间要续连

项目效果：

· 0.01%错漏率

· 较高分辨率和较高检测速度，提升整体效率20%

· 适用于各种使用场合

技术优势：

· 轻辙平台搭建业务流程

· 多相机串联接入，对定位、分割算法的场景复用

· 机器视觉融合深度学习，对产品特征大量学习，不断提升识别效果

0.01%

错漏率

20%

提升整体效率

其他行业

电力线路杆号牌分拣

线路杆塔的杆号牌是线路杆塔的“身份证”，担负着宣传电力知识、安全警示的作用，杆号牌的字迹模糊、脱落等现象，给线路巡视检修、故障抢修等工作带来许多潜在的隐患。

项目难点：

· 杆号牌字符不确定，无法预置字符库方式建立图像字符模板

· 字符方向与来料多样，存在相近字符的干扰

· 字符存在挤压变形，影响字符检出

项目效果：

· 实现部分字符缺损，漏检，小数点符号干扰的情况下对所有字符联想检出

· 有效提升变形字符的识别率，高达90%

· 有效规避文本方向带来的近似字符干扰，检出率精准度提升20%

技术优势：

· 文本检测算法与优化SVTR文本识别算法

· 采用文本方向分类器算法

· 文本尺度修正算法，规范字符尺度处理上的统一性

90%

变形字符识别率

20%

检出率精准度提升

其他行业

机加工滚子打痕缺陷检测

滚子两个端面经过内外径精加工与双端面研磨工艺，来料表面存在研磨划痕和切削液残留，在光学成像中与端面亮点缺陷同样呈现高亮特性，传统视觉算法无法区分。

项目难点：

· 缺陷尺寸在丝米级别，肉眼不易观察

· 端面缺陷存在相近干扰

· 不易区分检测目标与其他光学噪点

项目效果：

· 极大的提高微小缺陷的检出率

· 微小的缺陷尺寸特征完成放大增强处理

· 微小缺陷检测精度≥0.1mm

· 缺陷检出率≥99.9%

技术优势：

· 多尺度特征融合训练与小目标缺陷检测技术

· AI+视觉技术，解决相近缺陷干扰因素

· 采用分辨率高、抗干扰能力强、受光线影响小的光源方案

≥0.1mm

微小缺陷检测精度

≥99.9%

缺陷检出率

其他行业

猪肉分类、贴标

盒装猪肉需要在猪肉分类装盒且封膜后贴标签，过程中，由于猪肉种类繁多复杂，且常伴随着来料混杂的情况，依靠人工肉眼分类贴标，不仅易出现错贴，且工作效率低下，人工成本大。

项目难点：

· 超50多类的产品类别

· 相似类别众多，不易分辨

· 同一类别的肉在颜色上存在较大差异

· 同一类别的肉在形状上存在较大差异

项目效果：

· 识别速度≥100盒/分钟

· 大容量样本库，多类肉都能做精准识别

· 识别结果实时输出到贴标机，标签贴错率降低至1%；

· 24小时连续识别，人工成本降低25%

技术优势：

· 深度学习图像样本，建立准确算法模型，稳定精准分类

· 不受来料的随机混料影响，实时检测且快速输出对应标签

· 新增品类只需简单的训练操作，耗时少，不耽误新品上线

1%

标签贴错率降低至

25%

人工成本降低

其他行业

气垫梳梳齿外观检测

气垫梳的齿针缺陷检测以人工全检为主，但随着市场体量进一步扩大、产量持续增加，人工检测效率已无法满足生产需求，此外人工检测还伴有漏检率高、错检率高等问题，难以适应市场发展。

项目难点：

· 产品颜色多样化，颜色不同反光效果差异大

· 产品颜色的不确定性，导致打光难度高

· 不同颜色的齿针顶端成像效果差异大

· 一套算法兼容多种颜色，难度很大

项目效果：

· 实现秒级检测，检测效率提升35%

· 检测精度0.5mm，肉眼不易观察到的缺陷也能轻易检出

· 兼容性高，适配常规的所有尺寸和颜色

技术优势：

· 利用轮廓仪扫描出产品整体的3D成像方案

· 采用405nm的短波长激光，大大降低颜色对成像影响

· 检测精度高，齿针短针超过0.5mm可被检测出来

35%

检测效率提升

0.5mm

检测精度

其他行业

缸体内遗漏钢珠检测

“钢珠流研磨”是发动机缸体去毛刺的重要手段。缸体内部孔道分布十分复杂，研磨完成后难免会有钢珠遗留在缸体内部，因此需要进行检测。传统的人工全检，会出现漏检、误检等问题，且效率低下。

项目难点：

· 缸体孔道分布复杂

· 孔道内壁成像与钢珠成像类似

· 图像背景对钢珠检测有较大干扰

· 小孔、深孔内钢珠成像不明显

项目效果：

· 检测单个产品耗时≤5s

· 100%检出

· 钢珠遮挡70%也能准确识别

· 不停线检测，不耽误生产

技术优势：

· 采用深度学习与传统算法相结合，缺陷检出率高

· 经过适当训练的神经网络可以很好地识别出变量环境

· 可以通过训练，快速适应新产品的检测

· 高运行速度下的高精度检测

≤5s

检测单个产品耗时

100%

检出

其他行业

密封圈缺陷检测

空调制冷管道的密封是制冷系统正常工作的基础，因此密封圈是空调制冷系统是否稳定的重要零部件，其性能直接影响制冷效果。密封圈缺陷检测是空调生产线不可或缺的环节，需要进行长期稳定且精准检测。

项目难点：

· 产品外形复杂，成像背景也复杂

· 缺陷种类多，同类缺陷形状各异、颜色深浅不一

· 起皮缺陷细小成像不明显，存在检测难度

项目效果：

· 外台阶+侧壁全检，检测速度≥10个/s

· 检测精度0.2mm

· 检出率≥99.8%

技术优势：

· 采用深度学习算法，对各类缺陷进行细节信息学习

· 训练完成后即可从复杂背景中快速识别出缺陷。

· 稳定检出成像不明显的细小裂纹和起皮

≥10个/s

检测速度

0.2mm

检测精度

≥99.8%

检出率

其他行业

雪糕盒检测

餐饮行业中，塑胶勺、塑料餐盒等塑料制品的卫生检测极其重要。这些塑料制品异物内容通常表现为黑点、脏污、毛发等，靠人工检测不仅有漏检、误检等问题，且工作效率低、人工成本高。

项目难点：

· 检测速度要求极高

· 产线速度1.5m/s，每秒检测50个产品

· 盒底有凹凸字符，字符边缘暗角部分成像干扰检测

技术优势：

· 高帧率面阵相机结合高效算法，实现高效检测

· 非接触式检测，不会对产品造成二次污染

项目效果：

· 检测精度：0.2mm

· 检测速度≥50个/s

· 漏检率≤0.01%

· 检测到NG时，实时报警并提示NG产品的位置，同时将缺陷区域显示在屏幕上

· 24小时连续识别，降低人工成本

0.2mm

检测精度

≥50个/s

检测速度

≤0.01%

漏检率