Miba AG 创建深度学习系统以增强质量检测
系统采用以数据为中心的方法持续重新训练模型
“在 MATLAB 的大力协助下，我们不再使用基于规则的方法，而是改用了这种更基于模型、以数据为中心的方法，这样，我们便能让系统更快地运行。有了这种方法，降低假正率就容易多了。”
关键成果
- 在 40 个检测站上部署了 10 个独特的深度学习应用，涉及逾 25 个经过训练的网络
- 开发时间缩短了 30-50%，新模型在 1 小时内即可完成训练和部署
- 通过深度学习模型减少了误报并缩短了停机时间，从而提高了工作效率
Miba AG 是奥地利一家服务于能源行业的部件制造商。为了在扩大生产规模的同时，保持最高的检测和质量标准，Miba 的工程师使用 MATLAB® 开发了基于深度学习的视觉质量检测系统。
该团队使用 Image Acquisition Toolbox™ 捕获生产线上制造部件的图像。他们还使用 Computer Vision Toolbox™ 和 Image Processing Toolbox™ 对图像进行预处理，即隔离感兴趣区域，检测位姿，以及提取关键特征。借助 Deep Learning Toolbox™ 和 Statistics and Machine Learning Toolbox™，他们开发了深度学习模型，以根据预处理的图像检测有缺陷的部件。
通过 Industrial Communication Toolbox™，检测系统根据模型的预测向可编程逻辑控制器发送命令，以确保在生产线内立即做出响应。同时，该系统将图像和日志数据发送到数据库，并在控制板上向生产线操作人员显示相关信息。
Miba 的工程师使用 MATLAB 来训练模型，以识别缺失或错误标注的数据。为此，他们还创建了以数据为中心的开发管道来持续升级模型。在采集新图像时，工程师会对其进行注释，并使用 Deep Learning Toolbox 和 Statistics and Machine Learning Toolbox 来重新训练、评估、测试和部署模型。
整个系统就是一个可执行文件，无需将数据发送到云端，即可在生产厂安装的中等价位的工控机上运行。
