自動檢測技術的案例
破曉“視”界：3C產品屏幕自動檢測技術解析與應用展望
傳統的人工目視檢測，因其效率低下、標準不一、易疲勞等弊端，已成為制約產能與品質提升的瓶頸。在此背景下，基于機器視覺的屏幕自動檢測設備應運而生，正以其革命性的技術優勢，重塑著現代生產線的質量管控體系。
一、 技術核心：機器視覺與人工智能的深度融合
屏幕自動檢測設備的技術本質，是模擬并超越人眼的感知與大腦的判斷能力。其核心工作原理可概括為“感知-處理-決策-執行”的閉環。
高精度圖像采集（感知）：
設備通過架設在精密運動模組上的工業相機，在特定光源（如背光、同軸光、暗場光等）的配合下，對點亮狀態的屏幕進行高速、多角度、多區域的圖像捕捉。為了應對高分辨率（如4K、8K）屏幕的檢測需求，通常采用高像素面陣相機或線陣掃描相機，確保能夠捕捉到人眼難以察覺的微米級缺陷。
智能圖像處理與缺陷識別（處理與決策）：
這是整個系統的“大腦”，也是技術壁壘最高的部分。
傳統算法： 早期設備主要依賴傳統的圖像處理算法，如閾值分割、邊緣檢測、模板匹配、Blob分析等，來識別劃痕、臟污、亮點、暗點、 Mura（不均勻性）等常規缺陷。
人工智能（AI）與深度學習： 面對更為復雜、主觀性強的缺陷，如色斑、亮度不均、輕微閃爍等，傳統算法往往力不從心。深度學習技術，特別是基于卷積神經網絡（CNN）的模型，通過海量的缺陷樣本數據進行訓練，學會了像經驗豐富的質檢員一樣“理解”什么是缺陷。它能有效區分干擾與真實缺陷，對模糊、不規則的缺陷具有極高的識別率和極低的誤判率，實現了檢測能力的質的飛躍。
自動化控制與分揀（執行）：
一旦識別出缺陷，系統會立即記錄缺陷的類型、位置、尺寸等信息，并生成檢測報告。同時，通過PLC或運動控制卡驅動機械手或分揀機構，將不良品自動剔除出生產線，實現全自動化的“判決”與“執行”。
展開 中科云圖電力檢測自動機場
隨著黑色大箱子打開，無人機緩緩升空，不一會500千伏超高壓變電站的檢修數據便被快速檢測出來，數據也被同步上傳至后臺。完成任務后，無人機又自動回巢，自動充電等待下一次作業。
由中科云圖研發的無人機正在對電網進行巡檢。中科云圖供圖
這是佛山中科云圖智能科技有限公司（下稱“中科云圖”）開發的無人機自動巡檢系統，能夠有效解決輸電線路巡檢工作量大、人力成本高、效率低且有安全隱患的問題。
支持企業攻關核心關鍵技術，是佛山科技系統的一項重要工作。中科云圖于2019年落戶佛山，是一家致力于地理空間智能產品研發并提供低空無人機遙感網運營服務的高科技企業，在核心關鍵技術研發和商業模式創新上取得重大突破，已成為國內領先的低空無人機遙感網運營商。
為無人機裝上“大腦”
近年來，無人機被越來越多地應用于各行業進行信息采集，但整個飛行過程仍然需要人工操作，且采集到的數據也需要人工處理才能真正使用。
“什么時候無人機能真正實現‘無人’化？”是中科云圖思考的問題。
作為公司的創始人，同時也是研發團隊的領頭人，中國科學院院士、廣東省科學院廣州地理研究所首席科學家周成虎長期從事地理信息系統與遙感應用研究，面向國家需求，發展新技術促使他著手對長期積累的科研成果進行轉化，制作理想中的“無人機遙感系統”。
遙感技術是從遠距離感知目標反射或者自身輻射的電磁波、可見光、紅外線，對目標進行探測和識別的技術。2017年，周成虎提出了地理空間智能概念，并將之與無人機技術相結合。
展開 樁基檢測技術主管-檢測招聘
招聘職位： 樁基檢測技術主管 ( 若干 ) 有效期：長期有效
職位描述
任職要求：
1、大專以上學歷，土木工程、工民建、巖土工程 、勘查科學與技術等相關專業；
2、兩年以上工作經驗，有樁基檢測從業經歷，或有樁基、巖土勘查施工經驗；
3、持有靜載法或小應變法或鉆芯法上崗證，中級以上職稱者，優先考慮；
4、擁有良好的心態和懷有成就事業的熱情；
5、條件優異者可適當放寬招聘條件；
崗位職責：
1、負責公司樁基檢測項目的籌建、完善和實施工作；
2、現場的樁基檢測和數據分析，報告的撰寫以及技術總結；
3、樁基檢測部門團隊的領導和組織工作；
更新日期：
2010-04-08
工作地點：
廣東-深圳市-南山區
招聘人數：
若干
薪資待遇：
面議
專業要求：
不限
學歷要求：
不限
工作年限：
不限
年齡要求：
不限
工作性質：
全職
招聘對象：
社會人才
性別要求：
不限
婚姻狀況：
不限
計算機能力：
不限
語言要求：
不限
戶籍要求：
不限
是否提供食宿：
面議
有意者可投遞簡歷到jctm88@163.com 更多招聘信息盡在檢測英才網
展開 基于Python的復雜環境中車道線自動檢測系統
夜間版: 在馬路上尋找車道線并跟蹤
配置環境
conda create -n env_lane python=3.6
conda activate env_lane
pip install opencv-contrib-python==3.4.9.31 -i https://mirrors.aliyun.com/pypi/simple/
pip install matplotlib -i https://mirrors.aliyun.com/pypi/simple/
pip install sklearn -i https://mirrors.aliyun.com/pypi/simple/
pip install jupyter -i https://mirrors.aliyun.com/pypi/simple/
使用卡爾曼濾波器在夜間環境中進行車道檢測
自動駕駛計算機視覺技術的一個重要里程碑是在道路上尋找車道標記。在這里，我們描述了在夜間環境中檢測車道的過程。
挑戰性
·低光強度·難以調整各種光強度的參數·邊緣檢測不良·陰影，突然的高強度汽車大燈
我們的方法，這些步驟中描述了我們的方法：
1) 我們對每個視頻幀執行伽瑪校正，以設置光強度
2) 從圖像中裁剪出“感興趣的區域”，因此我們只能在ROI部分上查找泳道。它有助于降低計算成本并提高fps。
3) 應用雙邊濾波器消除噪聲并平滑視頻幀，但保留邊緣。
4) 應用HSV濾鏡為固定范圍內的像素創建蒙版
5) 經過這些預處理（伽瑪校正和濾波）后，我們使用Canny邊緣檢測器檢測邊緣。
展開 
看EFD在瞬間執行自動檢測功能！
快捷操作 #9
看EFD在瞬間執行自動檢測功能！
EFD的模型檢測(“Check Geometry”)功能快速和簡單地告訴你CAD模型是否存在任何幾何錯誤、無效接觸(“invalid contacts”)或縫隙以及如果存在，他們的位置。這意味著你節省花在修正問題上的時間，從而更多時間用于處理工程結果。
左邊水泵模型中，顯示流體區域("Show Fluid Region")選項確定模型沒有錯誤，并通過藍色突出，在三維模型中能簡單看到流體區域。的確如此簡單！請點擊右下短片觀看EFD快速確定和更正CAD模型錯誤的球閥實例。
EFD不同于您已見過的任何流體仿真工具…
然而，它一定是您將永遠希望使用的工具。
展開 溫度自動檢測儀表中應用的數字溫度傳感芯片
芯片有64位 ID序列號，在出廠前經過100%的測試校準，根據溫度誤差特性進行校準系數的擬合，芯片內部自動進行補償計算。為了簡化系統應用，芯片的ID搜索、測溫數據內存訪問、功能配置等均基于數字單總線協議指令，上位機微處理器只需要一個GPIO端口便可進行讀寫訪問。單總線通信接口通過共用一根數據總線來實現多節點傳感采集與組網的低成本方案，傳輸距離遠、支持節點數多，便于空間分布式傳感組網?？芍С?00個節點 100至500米長的測溫節點串聯組網。
芯片內置非易失性E2PROM存儲單元，用于保存芯片ID號、高低溫報警閾值、溫度校準修正值以及用戶自定義信息，如傳感器節點編號、位置信息等。M601B另有ALERT報警指示引腳，便于用戶擴展硬件報警應用。
數字溫度傳感芯片 - M601B的特點：
測溫精度：±0.5℃（0°C 到+50℃）
測溫范圍：-70°C ~ +150°C
低功耗：典型待機電流 0.1μA@3.3V，測溫峰
值電流 0.45mA@3.3V，測溫平均電流 5.2μA（@3.3V，1s 周期）
寬工作電壓范圍：1.8V-5.5V
感溫分辨率：16 位輸出，高分辨率 0.004°C
溫度轉換時間可配置：10.5ms/5.5ms/4ms
在溫濕度傳感領域，浙江MYSENTECH便是國產品牌中的佼佼者。了解更多關于浙江MYSENTECH溫濕度傳感芯片的技術應用，請聯系：133 9280 5792(微信同號)
展開 用于自動駕駛的實時車道線檢測和智能告警
作者 |
Priya Dwivedi（編譯:ronghuaiyang）
來源 |
AI公園
知圈
|
進“域控制器群”請加微13636581676,備注
域
導讀
車道線檢測 + 距離告警 + 轉彎曲率半徑計算。
代碼：https://github.com/MaybeShewill-CV/lanenet-lane-detection
來自模型的車道線預測
介紹
自動駕駛將在未來十年給旅行帶來革命性的變化。目前，自動駕駛應用正在進行各種應用案例的測試，包括乘用車、機器人出租車、自動商業送貨卡車、智能叉車和用于農業的自動拖拉機。
自動駕駛需要一個計算機視覺感知模塊來理解和導航環境。感知模塊的作用包括：
檢測車道線
檢測其他物體：車輛、人、環境中的動物
跟蹤檢測到的對象
預測他們可能的運動
一個好的感知系統應該能夠在各種駕駛條件下 —— 白天/晚上，夏天/冬天，雨雪等等，實時做到這一點。在這篇博客中，我們著眼于一個實時模型，用于檢測車道線、其他車輛等，并生成警報。
訓練一個實時的車道線檢測器
車道檢測問題通常被定義為語義或實例分割問題，目標是識別屬于車道類別的像素。
TUSimple是車道檢測任務常用的數據集。該數據集包含3626個道路場景的標注視頻剪輯。每個剪輯有20幀。這些數據是通過安裝在車上的攝像頭捕捉到的。下面分享了一個示例圖像及其標注。
展開 避免自動駕駛事故，CV領域如何檢測物理攻擊？
局部物理攻擊的一個缺點是，它們通常是肉眼可見和可檢測的，但在許多情況下，攻擊者仍然可以通過在自主環境中部署或偽裝這些方式來逃避檢測。
圖 9 給出一個深度學習系統示例，該系統為人臉識別系統，其作用是解鎖移動設備或讓用戶進入建筑物。場景包括了用戶的臉和其他背景對象。傳感器可以是返回場景數字圖像的相機的 CCD 傳感器。圖像由預測用戶身份的人臉分類器處理。如果用戶身份有效，執行器將解鎖設備或打開閘門。
圖 9. 部署在真實環境中的物理攻擊，使用物理模式和對象而不是修改數字圖像
3.1 SentiNet 介紹
本文提出了一種針對視覺領域物理攻擊檢測的方法：SentiNet。SentiNet 的目標是識別會劫持模型預測的對手輸入。具體而言，SentiNet 的設計目標是在無需事先了解攻擊內容的情況下，保護網絡免受對抗性樣本、觸發特洛伊木馬和后門的攻擊。SentiNet 的核心思想是利用對手錯誤分類行為來檢測攻擊。首先，SentiNet 使用模型可解釋性和對象檢測技術從輸入場景中提取對模型預測結果影響最大的區域。然后，SentiNet 將這些提取的區域應用于一組良性測試輸入，并觀察模型的行為。最后，SentiNet 使用模糊技術將這些合成行為與模型在良性輸入上的已知行為進行比較，以確定預測攻擊行為。SentiNet 完整結構見圖 10。
圖 10. SentiNet 架構概述。使用輸入的輸出和類別生成掩模，然后將掩模反饋到模型中以生成用于邊界分析和攻擊分類的值
3.1.1 對抗性目標定位
本文方法的第一步是在給定的輸入上定位可能包含惡意對象的區域，即識別輸入 x 中有助于模型預測 y 的部分。
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！
3.2 定性結果
圖7顯示了Kitti數據集中幾個場景的定性檢測結果。可以看出，在常見的街道場景中，我們的方法能夠準確地檢測到場景中的物體，并且檢測到的3D方框在正視圖像和點云上都能很好地對齊。特別是當目標距離攝像機很遠時，我們的方法仍然能夠獲得如(A)和(B)所示的準確檢測結果，這得益于我們的IDA模塊。在現場出現太多車輛或被他人嚴重遮擋的情況下，我們的方法也有可能成功定位這些物體，如(C)所示。
四、結論
在這項工作中，我們提出了一種端到端的學習框架，用于自動駕駛中基于立體圖像的三維目標檢測。它既不依賴深度圖像作為輸入，也不需要多級或后處理算法。
我們引入立體RPN模塊產生一對聯合感興趣區，避免了左右圖像對中同一目標的復雜匹配，降低了背景對深度估計的干擾。特別設計的實例深度感知(IDA)模塊，在沒有密集深度圖的情況下，聚焦于對象，直接進行實例深度回歸。此外，我們的方法通過視差自適應和匹配代價的重新加權，更加關注遠處的目標。
我們的方法具有輕量級的網絡體系結構，與現有的基于圖像的性能相比取得了令人印象深刻的改進。與一些深度圖監督方法相比，我們的方法也獲得了與之相當的性能。
展開 SJ5780輪廓掃描測量儀全自動在線檢測
中圖SJ5780在線智能螺紋輪廓掃描測量儀是一款大量程、高精度的主動掃描式綜合輪廓測量儀，可對航空發動機零部件高強度連接螺紋工件實現現場全自動在線檢測，自動檢測各種螺紋工件內外徑尺寸、內外輪廓形貌參數的綜合測量，解決螺紋的穩定性問題，保障航空發動機的品質質量。
SJ5780在線智能螺紋輪廓掃描測量儀X軸、Z軸均為獨立運動系統，采用兩軸聯動運動控制算法，實現X、Z雙軸聯動掃描，在測量螺紋時，測針在工件表面做仿形運動掃描（主動掃描），既保持了恒測力，又保證了大的陡坡通過能力，工件調平操作簡單，同時避免了崩針、掛針等問題。還可全量程大范圍連續掃描，擁有長達數百毫米的持續爬坡能力，適合大范圍陡坡表面測量。大工件無需翻轉、傾斜調整，就可實現輕松測量。
工件螺紋全參數掃描測量：鋸齒、錐形、梯形螺紋大中小徑、作用中徑、螺距牙型角、螺旋升角、齒頂底弧半徑、同軸度等。
SJ5780在線智能螺紋輪廓掃描測量儀的測量速度較傳統輪廓儀提升了5倍，抬針時間＜0.1s。操作流暢、迅速、高效，用于長軸類、筒類、曲面零件、絲杠、螺紋等高精度部件的內外徑尺寸、內外輪廓形貌參數測量，非常適合航空、軍工、船舶、高鐵、新能源汽車、醫療等行業。該產品支持量程定制，適用于各行業領域的實驗室或工作現場使用。
展開 【技術】DTEmpower核心功能技術揭秘(2) - AIOD智能異常點檢測技術
基于以上現狀，天洑軟件綜合考慮了常見異常點檢測算法的應用場景和工業設計數據集的特點，將數十種異常點檢測算法和自研的調度算法有效結合，實現了適用范圍更加廣泛的的檢測技術-AIOD(Artificial Intelligence Outlier Detection )智能異常點檢測技術。
通過對多種異常點檢測算法的有效結合和調度，用戶可以“一鍵觸達”式的使用AIOD智能異常點檢測技術檢測和刪除異常點，而不用疲于算法選型，這為在實際工業應用中落地數據驅動技術掃清了另一障礙。該技術目前已集成于天洑DTEmpower軟件之中。
二、AIOD智能異常點檢測技術簡介
AIOD智能異常點檢測技術將數十種常見算法和自研調度算法有效結合。并支持3種級別的集中調度策略，如圖2所示，分別為快速響應的(檢測等級=1)、性能均衡的(檢測等級=2)和細致搜索的(檢測等級=3)調度策略：
圖2 AIOD智能異常點檢測技術的參數配置界面，用戶只需配置異常點檢測等級，模塊即可自動進行檢測
同時，AIOD智能異常點檢測技術具有強大的默認設置和自適應性，如圖3所示，支持一鍵啟動數據清理流程，具有良好的用戶交互特性。在大幅降低用戶使用門檻的情況下，滿足了絕大多數應用場景的異常點識別需求。
圖3 AIOD智能異常點檢測技術檢測結果的用戶交互界面，算法會計算出每個樣本的風險評分，并按照從大到小的順序呈現給用戶，方便用戶選擇。支持一鍵選擇數據和一鍵啟動數據清理，具有良好的交互體驗和較低的使用門檻
三、基于DTEmpower的AIOD智能異常點檢測技術建模實驗
1. 實驗過程和結果
① 實驗測試1-某工業數據集回歸分析
i.
展開 
技術 | 最新的鈦合金薄板的無損檢測方法——渦流陣列檢測
摘要:
本文介紹了最新的鈦合金薄板的無損檢測方法。制作了鈦合金人工缺陷試板(薄板)，通過工藝試驗研究了渦流陣列檢測的技術特點，并使用滲透檢測方法對含有自然缺陷的成型鈦板進行了對比驗證試驗。
1 引言
生產中一般認為厚度小于6 mm的鈦合金板材為薄板，其通常采用冷軋或熱軋工藝制造而成。鈦合金薄板被大量用于艦船結構件的制造中，其質量要求高，不允許存在裂紋、起皮、氧化皮、壓折、分層等缺陷。
對其缺陷目前常采用目視法和滲透法檢測，但這兩種方法在應用中均存在弊端。目視檢測容易受操作人員經驗影響，難以發現微小缺陷；
而滲透檢測過程繁瑣，不利于環保，且二者均屬于表面缺陷檢測方法，無法檢測內部缺陷，極易留下安全隱患，如板材在卷制、壓制、焊接成型時出現表面開裂、甚至斷裂等問題。
渦流檢測適用于鈦及鈦合金材料，能夠檢測表面及近表面缺陷，傳統的軸繞式線圈能夠快速檢測小直徑薄壁管材，但檢測大面積或復雜形狀構件較為困難。
隨著傳感器技術與計算機技術的發展，最大集成線圈數量超過100個的渦流陣列技術開始取代傳統渦流檢測方法，在換熱器、汽輪機檢測領域發揮出獨特的優勢，檢測效率提升了數十倍。所以本文介紹最新的渦流陣列檢測，希望讀者有所收獲。
2 渦流陣列檢測原理
渦流陣列（Eddy Current Array，ECA）檢測技術實際上并非是簡單的由單通道向多通道的升級，而是在多種激勵-接收形式的基礎上結合數據融合技術與成像技術實現結果可視化的新型檢測技術。
展開 【技術】DTEmpower核心功能技術揭秘(7) - ROD基于回歸分析的異常點檢測技術
其中AIOD異常點檢測技術融合了數十種常見的異常檢測算法，用以識別數據集中的異常點；AIAgent和autoML是對訓練算法的提升。
本系列的第七篇文章將繼續圍繞如何讓算法逼近模型上限的問題，介紹一種基于回歸分析的異常點檢測技術-Regression Based Outlier Detection(ROD)技術。不同于傳統的異常檢測算法，ROD方法是在模型訓練的基礎上后處理的進行異常點剔除的方法。所以，如何選擇合適的異常點剔除個數需要較多的測試，以尋找到最適用于當前測試集的模型。
該技術模塊集成于DTEmpower中的每個回歸算法節點，能夠幫助用戶在剔除“潛在異常點”的同時，提高了模型的精度和泛化能力。
圖1 DTEmpower中每個算法節點都集成有ROD異常點檢測功能，用戶只需要打開對應開關按鈕“activate_remove_malform”，并配置異常點剔除的個數“remove_malform_top_N”和迭代次數“remove_malform_times”，即可開啟算法節點的ROD異常點檢測功能
基于DTEmpower的ROD建模實戰
1. 船舶興波阻力回歸分析
① 數據集介紹：方案中采用的數據集是經SHIPFLOW軟件計算興波阻力的數據集，該數據集中含有5個輸入參數，目標參數是興波阻力eval_CWTWC。
② 建模方法：采用圖2所示的建模方法，對輸入和輸出之間的映射關系進行回歸分析建模。該方法采用了GBDT、Random Forest和ExtraTrees訓練算法進行回歸分析建模。
展開 技術 | 無損檢測新技術在航空工業中的未來的發展趨勢
在航空工業中主要用于雷達天線罩、火箭發動機殼體等復合材料構件如氣孔、疏孔、樹脂開裂、分層和脫粘等缺陷的檢測。
2 未來航空工業無損檢測新技術的發展趨勢
隨著航空工業檢測需求的不斷提高，越來越多的無損檢測新技術正逐漸成為航空工業無損檢測保障體系中的新成員，它們彌補了常規無損檢測技術的檢測難點，有著廣闊的應用前景，未來航空工業無損檢測新技術的發展趨勢主要有以下幾個方面。
快速、高效、自動化檢測
為達到提高檢測效率、降低檢測成本的目的，使之更適合未來航空制造業的需求，提高無損檢測技術的功效，就必須開展適合航空制造業快速、高效、自動化檢測的探索研究。據統計，國外自20世紀90年代后期已開始將無損檢測技術研究的重點轉移到快速、高效、自動化檢測的無損檢測方向，而且有了初步應用成果。與發達國家相比，目前我國在這方面的差距還很大。
缺陷可視化
為使缺陷顯示直觀，便于實現對缺陷特征信息的自動、有效的提取和識別，從而為進一步地分析和處置做好前期準備，就必須開展缺陷可視化研究。
適合航空工業的、采用無損檢測新技術的設備、設施的自主研發
要使無損檢測新技術在航空工業中獲得更大的效益，在很大程度上是通過一定的無損檢測硬件平臺來實現的。因此，應在充分利用國際技術平臺但不是盲目地采購實物的基礎上，自主研究和開發適合航空工業的、采用無損檢測新技術的檢測設備、設施。
國內航空工業無損檢測新技術標準和規范體系的建立與完善
為獲得一定的技術支持，以實現檢測結果的準確、可靠，就必須建立與完善國內航空工業無損檢測新技術標準和規范體系。
展開 178文章復現：基于matlab的微震圖像去噪，利用同步壓縮連續小波變換進行自動微震去噪和起始檢測 ￥25.9
文章復現：基于matlab的微震圖像去噪，利用同步壓縮連續小波變換進行自動微震去噪和起始檢測，SS-CWT 可對時間和頻率變化的噪聲進行自適應過濾，可以去除小幅值信號中的大部分噪聲，檢測地震事件并估算地震發生時間。程序已調通，可直接運行。
