对硬件环境依赖比较高等

  外观缺陷检测是加工制造过程中的重要环节。一部手机从零部件到整机,中间可能经历了几百种不同过程的外观缺陷检测。除了高昂的人力成本,人工检测的方式还存在效率低、易疲劳、人员流动率高需要反复培训等问题。

  36氪近期接触到的数优(SUALAB),基于AI深度学习算法和实时图像分析技术,为加工制造业客户提供智能缺陷检测软件,以及整套缺陷检测全解决方案。

  目前国内的一部分产线已经在用传统视觉做缺陷检测,但是存在以下显著问题:无法处理完全无规律的复杂图像;由于抗干扰能力差造成漏检误检率高;未出现过的缺陷无法识别,需要连续不断的算法补丁;项目周期普遍很长导致验证速度慢;对硬件环境依赖比较高等。

  数优的AI视觉算法则可以较好的解决以上问题,解决传统机器视觉方案无法检测的PCBA板、手机零部件、汽车零部件、钢铁、太阳能电池板等的各个领域中最复杂的缺陷检测问题。

  针对此类已采用传统视觉方案的客户,其已配备相机、镜头、光源等硬件设备,数优仅需为其提供智能缺陷检测软件SuaKIT。软件可以独立使用,也可以嵌入已有的软件和设备中,同时支持客户进行API调用和二次开发,无需改变产线现有硬件设备。

  对于没有视觉检测产线的客户,数优提供硬件全解决方案,包括手机整机外观多面检测设备COI、MLCC电容检测设备、TAS纺织印染检测设备等各领域的缺陷检测设备,可以为多行业企业解决缺陷检测难题。

  在落地场景选择上,数优(苏州)总经理韩旭表示,视觉检测是基于图像处理进行,所以理论上只要能够采集目标产品的良品和不良品图片,就可以用其人工智能软件SuaKIT进行学习,建立神经网络进行缺陷检测。

  目前,数优已经落地的领域包括光伏领域太阳能电板、PCBA、手机零部件、汽车零部件、医疗、X光、机场行李检测、半导体、焊接、手机镜头、手机芯片、皮革、面料、电容等。合作客户包括:三星、LG、华为、歌尔声学、富士康、现代集团等。

  对于“多品类会不会导致定制成本高、周期长”的问题,韩旭表示,基于数优AI算法平台,在做新的缺陷建网训练时,初期根据不同的瑕疵类型,客户只需提供30-100张左右图像即可。模型建立时间上,一般以2048*2048像素大小,1000张为标准的线年由苏州政府招商引资,成立数优(苏州)公司。公司累计融资超过8000万元,历史投资方包括KT投资、三星风险投资、Stone Bridge资本、Interbest等。

  工业视觉检测领域场景丰富,尤其是随着AI技术的发展,很多原本实现不了的场景得以解锁。36氪还报道过一些视觉检测领域的公司,包括阿丘科技、高视科技等。