药瓶外观检测 - 深眸科技

药瓶外观检测

项目背景：

药瓶包装外观缺陷在线測系统可针对药瓶及塑料容器进行快速可靠的检测,主要检测的项目有圆度瓶口黑点、瓶身、螺纹黑点、瓶身严重变形、瓶口缺料等缺陷检测。

项目优势：

· 可以输出别除的控制信号;
· 具有保存、统计数据功能;
· 检测速度:100只/分钟

应用场景：

药瓶包装外观缺陷檢测系统可应用于口服液玻璃瓶体、塑料瓶及塑料容器等瓶体外观缺陷在线检测。

药瓶外观检测

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。

项目背景：

药瓶包装外观缺陷在线測系统可针对药瓶及塑料容器进行快速可靠的检测,主要检测的项目有圆度瓶口黑点、瓶身、螺纹黑点、瓶身严重变形、瓶口缺料等缺陷检测。

项目优势：

· 可以输出别除的控制信号;
· 具有保存、统计数据功能;
· 检测速度:100只/分钟

应用场景：

药瓶包装外观缺陷檢测系统可应用于口服液玻璃瓶体、塑料瓶及塑料容器等瓶体外观缺陷在线检测。

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