基于Anomalib和AI x Board的SIMOTECH在線缺陷檢測(cè)系統(tǒng)

作者：深圳市思墨科技有限公司藍(lán)貴琳

介 紹

Anomalib Github 地址[1]

Anomalib 是一個(gè)深度學(xué)習(xí)庫(kù)，旨在收集最先進(jìn)的異常檢測(cè)算法，以便在公共和私有數(shù)據(jù)集上進(jìn)行基準(zhǔn)測(cè)試。Anomalib 提供了近期文獻(xiàn)中描述的異常檢測(cè)算法的幾種即用型實(shí)現(xiàn)，以及一套便于開(kāi)發(fā)和實(shí)現(xiàn)自定義模型的工具。該庫(kù)重點(diǎn)關(guān)注基于圖像的異常檢測(cè)，算法的目標(biāo)是識(shí)別異常圖像或數(shù)據(jù)集中圖像的異常像素區(qū)域。

Anomalib 具有以下特點(diǎn):

有大量現(xiàn)成可用的深度學(xué)習(xí)異常檢測(cè)算法和基準(zhǔn)數(shù)據(jù)集。

基于 PyTorch Lightning 編寫(xiě)了一套最大化通用的模型，可以幫助我們減少大量模板代碼，可以幫助我們將更多的精力放在重要的事情上。

所有模型均可導(dǎo)出到支持英特爾硬件加速的 OpenVINO 格式。

一套推理工具，用于快速、輕松地部署標(biāo)準(zhǔn)或自定義異常檢測(cè)模型。

在 CPU 上就可以實(shí)現(xiàn)毫秒級(jí)的檢測(cè)。

僅需少量的良品圖片，進(jìn)行幾分鐘的訓(xùn)練，即可完成一個(gè)在線異常檢查的應(yīng)用。

針對(duì)我們的檢測(cè)應(yīng)用，以上算法均能滿足需求的前提下，我們選用了速度最快的 STFPM-ResNet18 模型來(lái)進(jìn)行測(cè)試。詳見(jiàn)論文: STFPM[2]

原 理

異常檢測(cè)的基本原理是使用一組教師-學(xué)生網(wǎng)絡(luò)做特征比對(duì)，比對(duì)差異較大的即為異常圖像。

在此基礎(chǔ)上，發(fā)展出了 STFPM、PaDiM、PatchCore、EfficientAD 等算法。他們的差異主要在于神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)、用于全局分析的特征編碼器、自動(dòng)編碼器、多層特征混合計(jì)算、損失評(píng)估算法等不同。

優(yōu) 勢(shì)

對(duì)比傳統(tǒng)的異常檢測(cè)算法，我們需要針對(duì)不同的產(chǎn)品編寫(xiě)一套針對(duì)性的檢測(cè)代碼，還需要一定量的不良品來(lái)測(cè)試和優(yōu)化檢測(cè)算法。而使用機(jī)器學(xué)習(xí)方法，我們只要統(tǒng)一的一套通用的訓(xùn)練程序和幾張良品圖片即可。

檢測(cè)過(guò)程

01訓(xùn)練

我們將 Anomalib 算法集成到深圳思墨科技的 SIMOTECH 在線缺陷檢測(cè)系統(tǒng)，基于英特爾開(kāi)發(fā)者套件 AI x Board，實(shí)現(xiàn)訓(xùn)練和推理。

在訓(xùn)練過(guò)程中，我們采集了 3 張良品的 pcb 電路板圖片來(lái)進(jìn)行訓(xùn)練。

經(jīng)過(guò)約 200 epoch 訓(xùn)練后，損失降到了 1.0 以下。

02檢測(cè)

使用訓(xùn)練好的模型來(lái)檢測(cè)一些樣品，均能正確檢出異常:

03部署

使用 OpenVINO 提供的工具將模型導(dǎo)出到 OpenVINO：

from openvino.tools import mo 
from openvino.runtime import Core, serialize 
 
# Convert model to openvino.runtime.Model object 
ov_model = mo.convert_model(model) 
 
# Save openvino.runtime.Model object on disk 
serialize(ov_model, "test_model.xml") 

向右滑動(dòng)查看完整代碼

將導(dǎo)出的模型拷貝到 AI x Board 上，使用 Anomalib 的推導(dǎo)工具 openvino_inference.py 即可在 AI x Board 上進(jìn)行加速推導(dǎo)。

總 結(jié)

在沒(méi)有經(jīng)過(guò)調(diào)優(yōu)的情況下，我們的模型僅使用了 3 張良品照片進(jìn)行簡(jiǎn)單的訓(xùn)練，即可上線檢測(cè)并取得不錯(cuò)的效果。通過(guò)使用 Anomalib 我們不僅可以使用少量的良品特征快速構(gòu)建一個(gè)異常檢測(cè)應(yīng)用，還可以免去收集不良品特征的過(guò)程。結(jié)合 AI x Board 可以快速將應(yīng)用部署到產(chǎn)線上。

深圳市思墨科技有限公司簡(jiǎn)介

深圳市思墨科技有限公司是一家專注于工業(yè)物聯(lián)網(wǎng)技術(shù)研發(fā)、系統(tǒng)集成和應(yīng)用解決方案提供的高科技企業(yè)。我們擁有一支專業(yè)的技術(shù)團(tuán)隊(duì)，長(zhǎng)期致力于智慧物聯(lián)網(wǎng)領(lǐng)域，將新一代連接技術(shù)、統(tǒng)一物聯(lián)網(wǎng)平臺(tái)和可視分析技術(shù)應(yīng)用于工業(yè)智能制造現(xiàn)場(chǎng)，推動(dòng)企業(yè)的信息化升級(jí)，助力企業(yè)實(shí)現(xiàn)數(shù)字化轉(zhuǎn)型。我們致力于為客戶提供專業(yè)的工業(yè)物聯(lián)網(wǎng)解決方案，幫助企業(yè)實(shí)現(xiàn)智能化、高效化和可持續(xù)發(fā)展。

審核編輯：湯梓紅