我們都知道，目前視覺檢測技術在工業領域的應用已經非常成熟，但是否代表著可以完完全全替代人眼了呢？答案是否定的。因為在部分的產品外觀檢測中，依然需要熟練技術人員的感性和經驗來判斷，例如判斷各種顏色和尺寸的劃痕、產品本身有很大差異時如何判定缺陷產品等。

在如今熟練技術人員短缺和人工成本急劇上升的背景下，要全部依賴人工來做判斷，明顯是不現實的，因此各大自動化廠商紛紛加入了AI檢測的研究中，但要使其投入實際應用，必須準備大量的圖像數據供AI學習，還有AI工程師的保障、需要在現場安裝特殊的AI硬件等課題，導致至今都未能成功將AI真正地引入生產現場。

歐姆龍敢于“先人一步”，率先將這項突破性的技術，搭載于自己的圖像處理系統中，并使其運用于實際的生產過程，讓我們共同目睹一下，究竟AI檢測，是否能夠再現人類的經驗判斷吧~

-- 應用效果實測 --

金屬沖壓零件的劃痕檢測

以金屬沖壓零件的劃痕檢測為例，例如我們拍攝到的圖像為下圖所示。

以往，需通過指定工件表面的顏色信息，或需要檢出的劃痕尺寸來對劃痕做出定義。但在有大量背景干擾的情況下，對于劃痕的定義是非常困難的，經常會出現將刻印誤判為劃痕的案例。

-- 無法區分劃痕或干擾-- 

歐姆龍搭載AI的圖像處理系統，能夠自動抽取出被推測為劃痕的部位，不通過顏色、亮度來定義，而是利用AI來抽取劃痕本身，使得穩定檢測變為可能，不再依賴于熟練技術人員的經驗判斷。

神奇的

AI劃痕抽取過濾

歐姆龍的圖像處理過濾器，預先學習了“人感覺是劃痕的圖像特征”。即使沒有定義劃痕，例如用傳統方法很難自動化檢測的“不可預測的尺寸、形狀、顏色”等，AI也能判斷并抽取劃痕的特征。

學習數據包括歐姆龍迄今為止積累的圖像，可以檢測不確定背景中的缺陷，例如加工面上的缺陷，這是傳統方法難以實現的。

在實際生產現場，最令人頭疼的，就是明明有劃痕等產品缺陷，卻被圖像處理系統漏判，認定是良品。

明明沒有劃痕等缺陷，卻被圖像處理系統將刻印誤判為劃痕，認定不良品。

如此不僅增加了不良品的流出幾率，而且最終仍然要回歸至人工檢測，材料浪費與人員作業工時雙重的成本疊加，是任何一家生產廠商都無法承受的。

無需定義和學習，可自動檢測各種劃痕

通過AI技術，擺脫了對于人類“感性和經驗”的依賴，實實在在為生產現場帶去價值，目前包括金屬沖壓零件的劃痕檢測在內，我們還在各行業的多工藝中進行了實測，效果顯著！

一、磨砂（噴砂）金屬表面刮擦

二、樹脂類制品表面劃痕

三、拉絲面上的暗色劃痕

四、拉絲面上/存在陰影的淺色劃痕

可以穩定地抽取以上各種材質、顏色和尺寸的劃痕（以前需要先定義劃痕），且無需進行調整。