人工智能自誕生以來，經(jīng)歷了早期的專家系統(tǒng)、機器學習，到當前持續(xù)火熱的深度學習和大模型等多次技術(shù)變革和規(guī)?；逃?。隨著算力、算法和軟件平臺的快速進步和不斷成熟，工業(yè)逐漸成為了深度學習技術(shù)的重點探索方向，工業(yè)AI智能技術(shù)應(yīng)用而生。

基于深度學習的工業(yè)缺陷檢測方法可以降低傳統(tǒng)人工質(zhì)檢的成本，提升檢測的準確性與效率，因而在智能制造中扮演重要角色。

傳統(tǒng)的機器學習和深度學習技術(shù)都依賴大量的標注數(shù)據(jù)，并在監(jiān)督下訓練出表現(xiàn)優(yōu)異以及具備一定泛化能力的模型。但隨著感知環(huán)境和應(yīng)用場景的變化，模型的訓練會存在以下問題：

（1）缺陷樣本匱乏，生產(chǎn)過程中缺陷數(shù)據(jù)的數(shù)量和種類較少，數(shù)據(jù)不均衡，無法窮舉生產(chǎn)過程中缺陷的種類和形態(tài)。

（2）數(shù)據(jù)的標注和清洗周期長，需要耗費大量的人力和物力。

（3）訓練好的模型性能會大幅度下降，重新訓練周期成本高。

（4）多模態(tài)數(shù)據(jù)的跨域?qū)W習和特征級數(shù)據(jù)融合。

上述問題都成為工業(yè)AI落地的障礙，如何解決數(shù)據(jù)標注效率、跨域?qū)W習、以及數(shù)據(jù)管理等問題，訓練更具泛化性、魯棒性和場景適應(yīng)性的模型成為學術(shù)界和工業(yè)界面臨的共同課題。

對于一些傳統(tǒng)方法無法有效解決的場景，如微小缺陷和瑕疵的檢測、非結(jié)構(gòu)化環(huán)境下的物體分揀等，可以歸類為“少因素高復雜度”的問題，是深度學習發(fā)揮重要作用的領(lǐng)域，目前也是工業(yè)AI落地應(yīng)用較多的場景，而隨著場景機理的計算復雜度提升，深度學習可以發(fā)揮更大的作用。

為了提升深度學習在工業(yè)領(lǐng)域的落地效率，降低項目實施和部署的周期，華漢偉業(yè)主要從以下幾個方面進行技術(shù)探索和實踐：

（1）缺陷數(shù)據(jù)生成：利用人工智能技術(shù)自動完成缺陷仿真數(shù)據(jù)的生成，基于AIGC技術(shù)建立現(xiàn)實世界到數(shù)字世界的映射關(guān)系，將現(xiàn)實世界中工件的物理屬性（如物體的大小、紋理、顏色等）高效、可感知的實現(xiàn)數(shù)字化，可以基于少量樣本實現(xiàn)多種屬性樣本的生成，從而解決缺陷樣本匱乏的問題。

（2）數(shù)據(jù)管理：生產(chǎn)過程中，有多條產(chǎn)線、多個工位的數(shù)據(jù)需要進行管理，需要人工進行數(shù)據(jù)的管控，缺乏數(shù)據(jù)的管理系統(tǒng)，方便后續(xù)的繼承和持續(xù)訓練。華漢偉業(yè)通過數(shù)字化技術(shù)，實現(xiàn)多工位、多場景的數(shù)據(jù)系統(tǒng)化管控，降低人為因素對數(shù)據(jù)管控的影響。

（3）數(shù)據(jù)標注：當前監(jiān)督學習仍為工業(yè)AI落地的技術(shù)方向，為了提升標注效率，降低標注的時間消耗，華漢偉業(yè)從交互式標注入手，提升標注效率，并且提供了多種選擇，如基于二值化的標注、基于特征分割的標注、基于大模型的標注，滿足多樣化的標注需求。

（4）多模態(tài)數(shù)據(jù)融合：工業(yè)生產(chǎn)過產(chǎn)中，很多缺陷無法從某一特定角度或者單一傳感器全部拍攝出來，需要多角度光源照射、多傳感器協(xié)同拍攝，實現(xiàn)多種瑕疵缺陷的可視化。為了提升多角度、多姿態(tài)圖像特征級別的融合，提升缺陷檢測準確率，華漢偉業(yè)從多模態(tài)特征融合、基于圖像數(shù)據(jù)流的特征融合等多方面進行技術(shù)探索，提升模型的泛化性能。

（5）降低樣本數(shù)據(jù)依賴性：為了降低訓練過程中對于樣本的依賴，提升模型在不同產(chǎn)線和不同場景的適應(yīng)能力，華漢偉業(yè)從小樣本學習、遷移學習和異常檢測，降低對缺陷樣本數(shù)量的要求。