计算机视觉异常检测

在经历了一段时间的停滞和去工业化之后，欧洲现在正处于一个变革的过程中，押注于一个强大而自信的绿色再工业化。欧洲的这种新愿景带来了应对高生产率和各种产品的新挑战。同时，新的工业方法以小规模生产为基础，创造高技术定制和定制产品。这种(再)工业化的新概念在某种程度上代表了工业4.0范式。在全球范围内，这一范式的主要技术领域包括人工智能(AI)、物联网、机器学习、云系统、网络安全、自适应机器人和高级自动检查等项目。所有这些主题都在推动业务流程和组织的根本变革。

自动检测系统使用计算机视觉用于评估原材料/中间产品/最终产品的质量。从计算机视觉概念(CV)的广泛角度来看，图像处理和分析算法现在应该融入人工智能的最先进技术。这些新的方法和技术使计算机日益能够在生产线上的质量评估过程中模拟人的视觉。因此，与人工操作相比，可以获得更高的效率和更短的周期生产时间。

在大量的检验质量系统中，对被检物体的符合性进行评估时使用的是黄金样品，黄金样品作为分析/检测物体或其部分异常的标准对象。

越来越在制造过程和材料方面，更多的多面物体可以导致不同的视觉线索．这种日益复杂的趋势将要求更好地定义对象一致性。此外，在实际发生之前，物体的不一致性仍然是未知的。因此，在当前的大多数工业应用中，访问异常对象可能是一项非常具有挑战性的任务，甚至是不可能的任务。

此外，应用人工智能的关键问题结合CV来保证工业检验的质量控制，是AI算法需要高精度执行的海量数据。值得注意的是，该行业的一个主要问题是为算法提供足够的质量评估信息，即生产良好的零件(正常或阳性样品)的必要数量，以及生产不良或异常的样品(即制造/生产不良的产品/零件)的必要数量。因此，当假设有大量带有正样本和负样本的标记训练数据可用时，完全监督分类可能是不现实的。

因此,面对所有这些限制，包括处理复杂的对象，各种各样的过程，以及需要大量的正反数据，研究活动已经面向异常检测方法的发展。根据生产工艺的不同，不整合可能是非常不规则的，因此，几种类型或类别的异常是必要的，以表征异常特征的宇宙，并将那些正常的对象类别。因此，一个非常有趣的研究和开发问题是减少假阳性，保持较高的准确率检测率。

在许多现实环境中，这些基于深度学习的新的AI异常检测方法比传统技术产生了更好的结果。这些人工智能方法主要包括无监督、半监督和弱监督异常检测算法。

Neadvance已经开发了几个应用程序人工智能与CV技术相结合，用于对象检验和生产过程的质量控制。其中一项成果集中在汽车领域，分析塑料、织物、金属片和皮革的颜色、纹理和图案漂移。在这里，反缝汽车座椅、导航装置、轮胎和橡胶等的检测系统已经开发出来。主要问题是使用技术和战略来处理与缺乏数据有关的三个关键问题:泛化;数据不平衡;和优化。

遵循可持续技术发展的道路，Neadvance将继续其伙伴关系战略，即在多个合作伙伴的合作项目范围内。这些合作的一个典型例子是IntVIS4Insp -智能和灵活的自动检测计算机视觉系统(poci -01-0247- federe -042778)项目,米尼奥大学做而且先涛公司Computação Gráfica，用于人工智能技术的发展，如自我监督分类;生成对抗网络;基于Siamese网络的一次学习集成分类器与迁移学习。

因此,Neadvance的目标是开发一种智能、健壮的系统，可以应用于任何涉及广泛数据的行业．此外，该系统还将执行分类、检测甚至分割等任务。因此，这个新的解决方案将打开任何行业的能力，以确保其产品的高质量，使用最先进的AI和CV技术。

简而言之，AdVision将拥有一个平台，该平台将根据视觉系统的摄像头捕捉到的图像来控制生产线上的agent。从而实现了对生产线的智能化、实时性管理。