手机内的振子元件的外观缺陷检测

这是一个非常小的手机振子，比拇指还要小的东西，用肉眼很难看得出它是有什么问题的。

手机内的振子

这个时候可能我们第一时间会想到用放大镜。或许放大镜扩大物品可是范围之后，也是得用肉眼看的，肉眼看久了也是会感到非常的疲劳，从而导致成品的检测率受到影响。所以，我们可以使用机器视觉检测来检验这个东西的好坏。

这里使用，可以解决以上的问题难点。

ALFA软件使用神经网络算法，模块化地解决机器视觉的各种问题，真正让人工智能走入机器视觉领域。ALFA让每一台自动化设备有了大脑，有了像人一样的学习能力，可以在不断工作中积累经验，越做经验越丰富，结果越来越精准，实现真正意义上的机器替代人，必将掀起新一轮的产业变革。

利用ALFA缺陷检测模块工具的管理模式和ALFA分类模块的自动化检测与分类，将会使手机元件检测变得非常简单。

首先需要收集大量的元件检测图片做为学习样本库，其中包括正常品和残次品，每种残次品的检测图片至少包含一组以上。样本库中的样本越多，学习效果越好，后续的检测也会越准确。

接下来ALFA软件通过图片样本库进行训练学习，并产生检测的参照模型，这个学习过程时间短，具体速度取决于电脑的硬件配置。

最后即可将ALFA用于实际的检测中。

以下是解决振子检测问题的过程：

1、选取硬件：首先我们选取好合适的镜头与及光源，让表面上的缺陷能够清晰的表现出来。

振子清晰表面

2、进行定位：因为每个图样拍出来的时候，位置可能会发生偏移，导致需检测的部分也会发生偏移，那么检测效果就会大打折扣。所以我们软件进行图像定位,，如下，我们建立一个模型，软件会自动捕捉特征点然后定位，我们在尽可能的取多图进行训练，结果出来后相当理想。

图像定位-1

图像定位-2

3、缺陷检测：定位过后，我们就确定了需要检测范围了。在这里我们首先把无关的检测部分屏蔽掉，剩下需检测的部分用于进行标记。这里我们选取了中间金面做例子，我们选取了感兴趣区域，再到遮罩了无关区域，在金面上进行缺陷标记，图样多做这个步骤然后进行训练，再测试结果。

金面上的缺陷

标记缺陷

这个功能很强大，我们只需要采集足够多的样品图，把这些缺陷图在软件里面做下标记，然后进行训练，结果出来了检测率可达97%-99%。如果图样量大，那么检测率可无限接近100%。

4、流水线上的运行：经过以上的一系列操作，我们在软件里导出一个运行时工作空间，软件二次开发时集成该工作空间，把它应用到流水线上进行实操，效果如下：

运行效果1

运行效果2

运行效果3

运行效果4

我们再取运行的结果。可以看到训练过的缺陷，在运行的过程中是自动抓取，并不需要人为操作。如下

以下是软件对于这个振子的检测过的分数图表

怎么理解这个图表呢?

分布：

显示了坏的和好的图像偏差的正态分布。理想情况下，这两条曲线不应该相交。 绿线表示低于临界值，它被认为是好的。相反的，红线表示高于临界值，它被认为是坏的。 在两者之间线是灰色的，它被认为是中间的。

ROC：

显示所有分类可能的临界值。你可以在蓝线上取一个点，并在图表的左边读到对应的真正率(一个有缺陷的视图，系统发现了一个缺陷，理想情况是100%);和在图表的底部有假正率(一个没有缺陷的视图，系统发现了一个缺陷，理想情况是0%)。 The AUC (曲线下面积)总结这条曲线的值，最大值1对应最完美的分类。