圖像自動標注和模型訓練技術在工業視覺中的應用
1. 痛點問題
工業視覺場景下普遍存在缺陷樣本數量少、難采集,已有標注方案無法完全發揮樣本數據效用等問題。在工業視覺應用場景中,產線整體生產良率均已達到相當水平,人工可識別的缺陷樣本數量相對較少,且采集難度較大。制造生產環節對產線效率要求較高,模型訓練難以實現精度與效率上的平衡。
2. 解決方案
本項目將最新的少樣本學習、連續學習、模型壓縮與優化技術,與工業場景中的缺陷檢測需求深入結合,致力于工業視覺自主知識產權軟硬件一體化裝備研發。針對玻璃深加工與半導體晶圓宏觀缺陷檢測,本項目已完成工業視覺全流程視覺感知算法、人工智能算法研發平臺、玻璃智能一體檢測設備、晶圓宏觀缺陷檢測設備等智能設備的原理驗證和裝備試制,同時有多項智能設備在研。
本項目在玻璃與半導體缺陷檢測中,基于圖像自動標注方法完成少樣本場景下的數據采集與標注,通過弱監督學習和連續學習方法完成有效模型構建,并針對長尾數據集設計模型訓練和優化方法,實現高效工業視覺感知計算。針對工業視覺場景,本項目集成視覺感知算法能力,研發人工智能算法研發平臺,該平臺秉承低代碼化、可視化等原則,打造包含數據采集與標注、算法訓練與評估、模型壓縮與優化、應用部署與管理的數據閉環。
合作需求
尋求浮法玻璃深加工、半導體加工與制造等行業企業合作。
清華大學
2021-12-23