遠程視覺檢測的案例
【視覺檢測】機器視覺在塑膠件外觀缺陷檢測方面的應用
對于中大型工廠來說，每天都有大批量的塑膠件被生產出來，如果僅靠人力來對這數量龐大的產品進行缺陷檢測，無疑需要投入巨大的人力成本和管理成本，而且還難以保證檢測的效率和準確率。因此，引進機器視覺檢測設備就尤為必要。
塑膠件成型后，會出現一些不良問題，常見的包括變形、飛邊、批鋒、裂紋、缺料、污漬、顏色不均、黑點、色差、頂白、印刷不良、尺寸不符等外觀缺陷。
機器視覺檢測設備是全自動檢測作業，它實現了自動上料、自動檢測、自動剔除NG產品、自動裝料的一站式檢測流程。塑膠件被振動盤依次送入玻璃盤，工業CCD相機高速拍照，再由昊天宸研發團隊開發的檢測軟件系統對拍照圖片進行高速度、高精度、高穩定性的實時檢測、分析、計算，判斷樣件是否合格，然后將結果輸出、統計，發現不良品進行自動剔除。
和傳統的人工檢測方式相比，采用機器視覺檢測技術對塑膠件外觀缺陷進行檢測，優勢非常突出，更高效、更快速、精度更高，能夠大幅降低工廠在品檢方面的人工成本，從而增加企業收益。昊天宸科技多年深耕于機器視覺檢測領域，為塑膠件、PCB線路板、新能源電池、半導體、精密五金等行業客戶提供一站式機器視覺檢測解決方案，設備可非標定制，滿足不同企業的不同檢測需求。
塑膠透明件被廣泛運用于各個行業，并起著不可或缺的作用，比如各類日用品材料、照明器材、光學儀器類材料、光纖材料、封裝材料、光盤材料，等等。在透明件質檢過程中，外觀檢測是不可缺失的一環。今天我們就和大家分享機器視覺在塑膠透明件外觀檢測中的應用。
機器視覺檢測設備在塑膠透明件外觀檢測中的應用
在塑膠透明件生產過程，由于各種因素的影響，容易導致產品表面出現各種缺陷，影響產品的外觀和性能。塑膠透明件常見的外觀缺陷包括氣泡、油污、黑點、劃傷、斑紋、泛白、變色、光澤不佳等。
展開 機器視覺檢測，讓沖壓件檢測如此簡單
機器視覺檢測設備外觀自動化檢測主要是適用于精密五金產品、電子元件、陶瓷零件、橡膠硅膠、螺絲螺母、手機零配件、汽車緊固件、航空緊固件等產品的外觀、尺寸、缺點等篩選。如果用人工檢測的辦法來檢測產品的外觀和尺寸質量，人工長時間用眼，眼睛非常容易造成疲勞，導致效率低，產品不合格率增加等情況。如果這個時候使用外觀檢測設備來進行檢測，檢測精度高，因機器不會像人有喜怒哀樂、七情六欲等主觀因素影響，因此不但可以降低人工的成本，同時還可以提高效率。
機器視覺檢測設備在五金沖壓件檢驗中的應用于：電器零件沖壓廠，汽車零件沖壓廠，日用品沖壓廠，家用電器零件沖壓廠，特種沖壓零件廠等。
機器視覺檢測設備在五金沖壓件檢測中的優勢：
1.可以檢測到任何圓之間的距離；
2、它可以檢測任何零件的邊緣之間的距離；
3、可以檢測從任意邊緣到圓心的圓心距，遠心距和近心距；
4、檢查沖壓產品是否傾斜，缺失或尺寸不良等；
5、同步實施檢測，結果可通過COM，I/O，Internet等方法輸出；
6、可以存儲和查詢檢測圖像；
7、自動統計（良品，不良品，總數等）。
機器視覺表面檢測是一項軟硬件結合系統工程。表面檢測可以是個不大不小的領域，它涉及金屬、薄膜、無紡布、玻璃、光伏等多個行業。表面缺陷不僅是影響產品外觀，還將直接影響產品的使用性能，如何嚴格控制產品表面質量，傳統的人工檢測已經不能適應高速生產的要求。機器視覺檢測技術是建立在計算機視覺研究基礎上的一門新興測試技術。與計算機視覺研究的視覺模式識別、視覺理解等內容不同，視覺檢測技術重點研究的是物體的幾何尺寸及物體的位置測量，如金屬三維尺寸的測量、模具等三維面形的快速測量、大型工件同軸度測量以及共面性測量等。
展開 電流檢測放大器：遠程電流檢測配置
通常，使用這種方法對精度和共模抑制的影響是最小的，但無論如何，如圖2所示，緩沖參考輸入將保持NCS21xR電流檢測放大器的高性能。
Output pin：輸出引腳
REF pin：REF引腳
Op Amp：運算放大器
圖2. NCS21xR輸出與讀取板之間的分壓電路的單位增益緩沖器
圖1的電路提供了一種簡單的方法，以將電流檢測放大器的輸出電壓轉換為電流用于遠程檢測，因此，下次當您的讀取板離監測電路很遠時，無需煩惱，只需使用幾個簡單的器件將輸出電壓轉換為電流。歡迎分享本文，
來源：http://www.eechina.com/thread-542577-1-1.html
展開 沖壓質量模板匹配視覺檢測技術應用
通過計算機視覺和圖像處理技術，開發沖壓件質量在線視覺檢測系統，可提高沖壓件質量檢查效率，降低人員勞動負荷。
目前整車廠主流沖壓線生產節拍大都是每分鐘12 ～18 件，每個沖壓件進行全面品質檢查大約需要8 ～10min，生產節拍遠大于品質全檢的速度，因此無法做到零件的全檢。沖壓質檢體制主要包括在線抽檢和線下抽檢，在線抽檢由兩名線檢人員周期性地在3 ～5s 的時間內檢查零件的部分區域，線下抽檢由兩名抽檢人員每間隔約100 件進行零件的全檢。這種檢查體制存在偶發不良漏檢和批量不良的風險，如圖1 所示，質檢人員長期重復性動作，也存在作業疲勞、檢出能力下降導致漏檢的情況。
圖1 不良漏檢和批量不良情況
隨著計算機芯片運算能力的提升以及人工智能算法的深入應用，目前已出現通過計算機視覺檢測取代人工檢查的應用案例，如一種基于深度學習的多分類缺陷監測系統，通過采集大樣本量的缺陷數據，對檢測模型進行訓練，使其能夠識別出開裂、凸凹點等缺陷，如圖2 所示。相對于深度學習的檢測系統，模板匹配檢測系統不需要大數據的訓練，即可輔助進行在線缺陷檢測，具有較高準確率，能消除人工漏檢造成的批量不良風險，降低質檢人員的作業負荷。
圖2 視覺監測凸凹點缺陷
硬件布置方案
系統的硬件部署要在現有沖壓線上增加，并盡可能減少對現有生產線的改造，故沿用了現有沖壓線的自動化方案(機械臂、傳送皮帶)，在此基礎上通過在零件傳送路徑上布置8組攝像頭和LED光源(俯視、前視、后視、側視各2 組)，實現對在線零件的圖像采集，如圖3 所示。
圖3 視覺監測布置示意圖
檢測方案
沖壓零件通過機械臂放置到傳送皮帶上，依次經過攝像頭拍攝點，零件的位置、角度是一種有序排列，如圖4 所示。
展開 
機器視覺定位之零部件尺寸檢測技術
傳統意義上的生產需要設備處于時常工作狀態以便于隨時檢測，然而這樣的工作方式導致了設備在一定的時間內出現設備閑置的現象，大大的浪費了生產資源并無法實現可靠的自動化生產；還有一個更為重要的原因在于工業生產線上生產出的產品，對于其尺寸精度的測量人們大多數都通過自己的主觀意識或者粗淺的測試方法去判別零部件尺寸是否合格，這樣的判斷方式檢測出的精度根本滿足不了客戶的需求。基于上述諸多問題的提出，一種基于機器視覺的檢測方法應運而生，此概念的提出為生產加工業實現自動化、智能化帶來了空前的變革。隨著機器視覺的應用，機器視覺的應用大大的提高了產品的質量、降低了人口紅利并能在一定程度上降低生產成本，帶動生產加工業走向自動化、智能化的道路。
一、系統的整體結構
本研究是基于工業生產線上對不同零部件尺寸的檢測，機器視覺的零部件尺寸檢測主要分為圖像采集、圖像分析處理、顯示結果及控制三個部分。系統主要由計算機主機、工業相機、LED光源和光電傳感器、PLC可編程控制器以及單片機控制器、暗箱等。
展開 基于雙目視覺的目標檢測與追蹤方案詳解
圖像測量提取是利用棋盤圖案的強梯度來計算視差，角檢測算法是被手動引導到其中一幅圖像中，并校準目標上的任何角，同時，對另一幅圖像中的相同角來重復此操作。上圖a中顯示了一對角的示例，該信息隨后被投影到公制相機框架中。
對于測量
和
的過程中，前面提到校準問題被轉換為優化問題，優化程序的任務是通過改變構成外部校準的參數來最小化誤差函數。從稀疏特征跟蹤框架中獲取的時空信息用于識別運動圖像區域。外觀信息被完全忽略，因此不會產生特定于對象的結果。如下圖顯示了測量提取算法的基本工作流程，可以概括如下：稀疏特征檢測器識別隨后跟蹤的強候選特征。跟蹤器的過濾需要引入平滑策略，實現基本的異常值去除，并為軌跡存儲和分析提供框架。可用信息最終在聚類例程中進行處理，該例程需要對相似的特征軌跡進行分組。
立體視覺測量提取算法示意圖
1）特征提取
特征檢測通常是使用加速段測試 (FAST) 算法中的特征檢測進行的，該檢測器在計算復雜性方面明顯優于其他替代方案，并且專為一致性高的多視圖特征提取而量身定制，這些屬性有利于將 FAST 角點檢測器用于在實時立體視覺中的應用。
使用稀疏特征檢測有一些固有的缺點，其中最值得注意的是無法從低紋理圖像區域收集信息，這可能會阻礙最終準確估計目標范圍的能力。范圍信息應主要從視覺子系統中提取，因為它提供比雷達更高的分辨率。為了減輕可能的負面影響，設置特征檢測閾值以產生半密集信息，即分布在視野中的數千個特征被識別為跟蹤候選。通過這種方法，可以獲得相當準確的范圍信息，而計算需求仍然比密集檢測方法低得多。
展開 汽車覆蓋件質量缺陷視覺檢測研究
由于人工檢查在實際應用中遇到的困難和機器視覺檢測技術的不斷發展，給沖壓生產提供了新的檢測方法。機器視覺檢測技術的優點是檢測快速、準確、可靠，安全性高，不直接接觸零件，不損傷零件。還可以減少質量檢測人員，降低制造成本，對每一個檢測的零件留有檢測照片，可以實現零件質量的精準追溯。
視覺檢測系統一般由光源、光源控制器、光學鏡頭、相機、傳感器、圖像處理單元、圖像分析處理軟件、通信輸入輸出單元等部分組成。根據覆蓋件的特點，選擇的相機是500 萬像素滾動快門黑白相機，配備10 ～50mm 變焦鏡頭。光源采用LED 球積分光源，適用于零件表面有凹凸不平，弧面表面檢測。圖像處理軟件采用SGVision 視覺軟件，該款軟件無需編程，算法工具豐富，功能強大，使用方便。
開裂問題視覺檢測
開裂問題是覆蓋件最嚴重的質量問題，在實際生產中，員工在裝框前每件零件質量檢查的時間只有12 秒左右，在短時間內檢查完整個零件是很困難的。使用機器視覺檢測零件質量，可以在1 秒內完成零件拍照和檢測。開裂問題視覺檢測的流程如下：
⑴用相機對合格的零件進行拍照，選取一張清晰的照片作為參考圖，再用特征匹配工具選取零件一個部位作為ROI(檢測區域)，確定零件定位部位，后續零件檢測定位會更加準確。特征匹配算法的設置界面如圖1 所示。
圖1 特征匹配算法設置界面
⑵選用相似度算法檢測零件是否有開裂，相似度算法用于與設定的ROI 區域(藍色框)內與模板基準圖進行比對，可同時設置多個檢測區域與忽略區域，從而判斷零件是否有開裂問題。相似度算法設置如圖2 所示。
圖2 相似度算法設置界面
⑶2 個算法設置完成后，先點“測試當前”按鈕，看軟件能否正確檢測出模板中的照片，如果檢測“OK”，則算法設置完成。
展開 計算機視覺四大基本任務(分類、定位、檢測、分割)
本文是該系列文章中的第二篇，旨在介紹深度學習在計算機視覺領域四大基本任務中的應用，包括分類(圖a)、定位、檢測(圖b)、語義分割(圖c)、和實例分割(圖d)。后續文章將關注深度學習在計算機視覺領域的其他任務的應用，以及自然語言處理和語音識別。
計算機視覺(computer vision)簡介
計算機視覺旨在識別和理解圖像/視頻中的內容。其誕生于1966年MIT AI Group的"the summer vision project"。當時，人工智能其他分支的研究已經有一些初步成果。由于人類可以很輕易地進行視覺認知，MIT的教授們希望通過一個暑期項目解決計算機視覺問題。當然，計算機視覺沒有被一個暑期內解決，但計算機視覺經過50余年發展已成為一個十分活躍的研究領域。如今，互聯網上超過70%的數據是圖像/視頻，全世界的監控攝像頭數目已超過人口數，每天有超過八億小時的監控視頻數據生成。如此大的數據量亟待自動化的視覺理解與分析技術。
計算機視覺的難點在于語義鴻溝。這個現象不僅出現在計算機視覺領域，Moravec悖論發現，高級的推理只需要非常少的計算資源，而低級的對外界的感知卻需要極大的計算資源。要讓計算機如成人般地下棋是相對容易的，但是要讓電腦有如一歲小孩般的感知和行動能力卻是相當困難甚至是不可能的。
語義鴻溝(semantic gap) 人類可以輕松地從圖像中識別出目標，而計算機看到的圖像只是一組0到255之間的整數。
計算機視覺任務的其他困難 拍攝視角變化、目標占據圖像的比例變化、光照變化、背景融合、目標形變、遮擋等。
計算機視覺的頂級會議和期刊 頂級會議有CVPR、ICCV、和ECCV，此外ICLR也有不少計算機視覺論文。頂級期刊有IJCV和TPAMI。
展開 關于沖壓預裝零件視覺檢測裝置的研究與應用
檢測技術作為保證產品質量的關鍵手段，一直是現代工業中一道重要的工序。在沖壓預裝零件檢測中，通常需要對零件的型號、各預裝后零件的有無和預裝零件粘貼的位置進行檢測，而目前在發達國家企業中，沖壓預裝類的零件檢測技術相當成熟，具體已發展到對沖壓預裝零件的外觀、尺寸、結構變化等方面進行精準檢測。隨著我國沖壓行業的穩步發展，對沖壓件視覺檢測技術的應用也應得到進一步的發展。
沖壓預裝零件視覺檢測技術概述
現代工業制造的產品精度要求都非常高，用人眼無法快速進行連續穩定的檢測。在線、實時、非接觸是現代制造業所提倡和推行的檢測理念，旨在幫助企業實施全面控制，提高產品合格率和生產效率。傳統人工檢測不僅不能保證檢測的速度和質量，還增加了企業管理成本和人工成本，因此在這種環境下催生了新興的檢測技術，即視覺檢測技術。視覺檢測就是用機器人代替人眼來做測量和判斷，在工廠的生產、包裝和裝配等環節有很大的實用價值。
近幾年來，視覺檢測技術已經逐步向高端邁進，并廣泛應用于空調沖壓預裝零件的制造生產中。沖壓預裝零件過程中零件生產頻率快、預裝數量多、人員需求大，產品質量控制不足既會對生產造成大量報廢，也會因產品質量不符合要求，造成對空調整機裝配及其性能的影響。對沖壓預裝零件視覺檢測裝置的研究與應用，不僅更加完善了這一領域，并保證了檢測精度高，提高了生產效率，減少了檢測成本，積極地推動了電子技術在沖壓制造業中的發展。
沖壓預裝零件檢測技術主要對零件的型號、外觀和結構進行檢測，具有速度快、處理信息量大、精度要求高等優點，其主要工作原理是利用光學技術和圖像攝取裝置，將零件轉換成圖像信號，再由圖像處理系統根據圖像的亮度、顏色、像素分布等信息轉換成數字信號，通過數字系統對零件尺寸、位置和顏色等部位進行高速計算分析（圖1），判斷輸送帶上預裝的零件是否存在用錯或者預裝錯誤的情況，辨別出不合格的零件，并傳出異常警報。
展開 基于立體視覺的自動駕駛三維目標檢測，精度可媲美激光雷達！
來源 |
AI修煉之路
介紹
三維目標檢測是自動駕駛和虛擬現實中重要的場景理解任務。考慮到激光雷達成本昂貴，本文提出一個基于立體視覺的3D目標檢測方法。針對目標深度估計是影響三維目標檢測性能的關鍵因素，提出了一種基于「實例深度感知」、「視差自適應」和「匹配代價調整」的三維包圍盒中心深度預測模塊。此外，我們的模型是一個「端到端」的學習框架，不需要多個階段或后處理算法。我們在KITTI基準上進行了詳細的實驗，與現有的基于圖像的方法相比，取得了顯著的改進。
代碼開源：https://github.com/swords123/IDA-3D
一、引言
在本工作中，我們提出了一種基于立體視覺的三維目標檢測方法，該方法在訓練過程中不依賴于激光雷達數據作為輸入或監督，而只使用帶有相應標注的三維邊界盒的RGB圖像作為訓練數據。
首先利用立體區域提議網絡(RPN)從背景中提取目標，消除其對三維目標檢測的干擾。由于對象實例的深度估計是影響三維對象檢測性能的關鍵因素，因此我們設計了一個獨立的 「實例深度感知(IDA)」 模塊來預測對象三維邊界盒的中心深度。
不像以前基于立體的方法計算圖像之間每個像素的對應關系，我們測量每個實例的對應關系，把更多關注放在對象的全局空間信息。
為了減小對遠處目標深度估計的誤差，我們根據目標的位置「自適應地調整代價體中的視差等級的范圍」，并將視差等級的均勻量化轉換為非均勻量化。「匹配代價也被重新加權」，通過懲罰對對象實例不是唯一的深度級別，并提升具有高概率的深度級別，從而使深度估計更具鑒別性。所提出的體系結構的概述如圖1所示。
展開 基于重建和不確定性傳播的單目視覺3D物體檢測
編者按：3D物體檢測（目標檢測）是智能汽車感知系統的重要任務。在眾多應用于智能汽車的傳感器中，相機這一視覺傳感器具有分辨率高、成本較低、部署方便等優點。基于相機RGB圖像的低成本3D物體檢測是當下學界和工業界的研究熱點。其中，相比多目視覺3D物體檢測，單目視覺3D物體檢測是更為基礎的問題，其難點在于估計物體的距離。本文將6DoF位姿估計領域常用的稠密關聯方法應用到了交通場景的單目3D物體檢測，并引入了不確定性傳播，可以描述物體位置的不確定性。針對深度回歸問題中偶然不確定性的估計，本文提出了魯棒KL損失，顯著提升了檢測精度，對于一般的不確定性估計網絡有借鑒價值。
摘要：
單目視覺3D物體檢測的主要難點在于物體在3D空間中的定位。近年關于6DoF位姿估計的研究表明，預測圖像與物體3D模型之間的2D-3D稠密關聯（Dense Correspondence）并使用PnP算法求解物體位姿，可以取得很高的定位精度。然而，在這些研究中，模型的訓練均依賴物體的3D模型真值，這一條件在真實的室外場景中難以滿足。為解決這一問題，本文提出了MonoRUn檢測算法，以自監督的形式學習稠密關聯和物體幾何，這一過程中僅需用到物體的3D框標注。本文使用基于不確定性的區域重建網絡回歸與2D像素相關聯的3D坐標。自監督訓練是指將3D坐標重投影以重構圖像的2D坐標。為優化重投影誤差并考慮其不確定性，本文提出了魯棒KL損失。在測試階段，網絡預測的不確定性將傳播至所有下游模塊。具體而言，模型使用不確定性PnP算法估計物體的位姿及其協方差。
展開 
單目視覺系統檢測車輛的測距方法（Mobileye單目測距等7種方法）
作者 |
CV_Community
來源 |
計算機視覺社區
本文還是在傳統機器視覺的基礎上討論單目測距，深度學習直接估計深度圖不屬于這個議題，主要通過mobileye的論文管中窺豹，相信離實際工程應用還有很遠。
以前提過單目測距的問題，檢測的障礙物2-D框加上攝像頭的姿態和路面假設。以下根據公開發布的論文討論具體的算法：
注：
深度學習直接估計深度圖不屬于這個議題。
1、Vision-based ACC with a Single Camera: Bounds on Range and Range Rate Accuracy
著名的Mobileye論文，先看成像幾何如圖：
本車A，前方車B和C，攝像頭P焦距f，高度H，和障礙物B/C距離Z1/Z2，B/C檢測框著地點在圖像的投影是y1/y2。那么y=fH/Z，所以Z=fH/y。下面是三個不同距離的估計結果：
精度測量得到：90米誤差大約10%, 44米誤差約為5%。
展開 廣東首用無人機遠程配送醫學檢測樣本，不堵車，無接觸
當天，一架載著檢測樣本的多旋翼無人機從廣東省第二人民醫院緩緩起飛，飛往位于廣州國際生物島的金域醫學總部實驗室。全程僅需短短10分鐘，即抵達了目的地，安全降落在實驗室外的無人機停機坪上，這是廣東首條啟用的檢測樣本無人機配送航線。
據悉，這是第三方醫檢行業首次啟用無人機開展檢測樣本冷鏈物流服務。金域醫學將利用此低空物流配送服務，形成多式聯運的物流配送服務模式，通過多種配送模式靈活組合，大幅提升檢測樣本配送效率，開啟無人機科技助力檢測樣本冷鏈物流新時代。
5公斤以下樣本實現“即時互聯”
在第三方醫學檢驗服務中，覆蓋網絡寬廣、運輸時效快速的醫療冷鏈物流十分關鍵，可直接影響檢測樣本的質量與檢測結果。在一線城市，盡管交通網絡發達，但是交通擁堵的情況時有發生；而在基層地區，由于縣級以下區域往往道路崎嶇，加上醫療機構分散，往往導致路上運輸時間過長。客觀存在的環境因素對檢測樣本冷鏈物流帶來了不小的挑戰。
近年來，無人機配送作為新的科技服務手段，經過多年技術迭代，已進入商業化應用階段，在醫療急救用血、核酸檢測樣本等方面已有所應用。檢測樣本相比較于其他的物品，整體重量偏輕，而無人機配送通常針對小件（小于5kg）運載，且運輸過程中無需人工接觸，兩者結合恰恰能夠滿足檢測樣本的配送需求，可提高服務臨床的效率。
通過與迅蟻科技合作開展醫檢無人機檢測樣本配送服務，金域醫學將為服務醫療機構搭建專屬的空中即時物流專線，利用科技手段讓實驗室與醫療機構間從“信息即時互聯”升級為“樣本即時互聯”，極大提升運輸時效。
據悉，迅蟻科技是全國首家獲得中國民航局頒發的城市物流運行許可“牌照”的城市內航空公司，其無人機配送網絡經中國民航審查審定，運行安全級別與民航客機一致。
展開 無微不至的檢測 l 訪BHGE 檢測控制全球CEO Matthias Heilmann
第一個目的是為中國客戶提供檢測方案和演示，這樣用戶在做出購買決策之前，可以直觀的獲得具體方案和結果。其二，Matthias期望CSC能夠伴隨中國工業行業的增長持續推廣工業CT，為不同行業的客戶展示其價值。其三，BHGE會利用CSC向客戶提供世界級的檢測服務，用戶不需要將產品發送到美國或者歐洲，而是在中國就可以完成檢測。Matthias還談到希望能夠在中國建立全球最大的CSC，7x24小時為中國客戶提供檢測服務。
針對筆者特別感興趣的3D打印零件的檢測，Matthias介紹到，位于辛辛那提的CSC與GE航空集團總部所在地相鄰，而GE航空集團已部署了60多套射線成像和遠程視覺系統用于檢測葉片，陶瓷基復合材料（CMC）和增材制造的零部件。CSC中使用了專業的CT設備和技術，使單個部件的平均檢測時間從一個多小時減少到幾分鐘，縮短了80％以上。
在訪談的過程中，每當提到3D打印與增材制造，Matthias總是幽默的對筆者說：“This is your hobby（這是你的愛好）”。在筆者看來，或許Matthias認為人們從事哪項工作跟其與生俱來的愛好有很大關系。那么在他看來，檢測技術也是很多BHGE員工的愛好，這些員工為業界提供的服務周到入微，通過共同的努力來減少故障和危害發生，提高對工藝和質量的控制能力，讓世界擁有更平靜的心。
我們可以預見，在中國，隨著BHGE本地化的客戶解決方案中心的建立，以及本地化的解決方案的深入展開實施，將檢測作為一種行之有效的安全和質量管理手段也將成為中國工業的共同習慣與“愛好”，共同推動中國制造走向中國創造。
展開 