先进制作是制造业中的要害畛域，其综合使用新技术、新设施、新资料、新工艺、新流程、新生产组织形式，集古代科学技术之大成，是一国工业实力和现代化程度的重要体现。
随着人工智能时代的到来，人工智能技术与制造业交融日益加深，智能化成为以后先进制造业的典型特质之一。在视觉技术方面，视觉疏导、视觉量测、视觉筛选、文字辨认等技术已逐步广泛应用于先进制造业中，服务从生产到物流供应链的各个环节。而视觉技术服务于缺点检测（尤其是简单外观的缺点检测）则在落地场景面临不小的难题。缺点规范迭代快对算法能力提出挑战、可用于模型训练的缺点数据量小、解决方案迁徙老本高，是以后人工智能视觉技术服务缺点检测的三大难关。武汉象点科技，一家为先进制作过程中提供 AI 视觉检测解决方案的公司，基于飞桨深度学习平台开发智能工业视觉平台软件 PixAI，集模型训练和计划搭建为一体，胜利冲破三大难关，解决简单外观瑕疵检测难题。其解决方案已胜利利用至华为、比亚迪、苹果供应链体系。
先进制作过程中各类缺点检测场景
缺点检测智能降级面临“三大难关”“小模型”形式亟待降级
从市场需求方面来看，传统制造业缺点检测环节往往以人工作业形式为主，而人工检测受限于人员能力及现场体现，稳定性稳定较大。逐年攀升的人力老本也制约了制造业企业的寰球竞争力晋升。将人工智能技术利用到缺点检测环节，晋升缺点检测稳定性及效率，已成为以后智能制作头部企业越来越关注的重点。
“缺点检测的智能化降级过程中，最开始以研发解决具体需要的 AI 小模型为次要方向。模型性能、模型调参形式，是各个解决方案供应商的外围竞争点。”象点科技总经理刘亦铭介绍，“然而小模型远远不能满足各先进制作企业的需要。从市场反馈来看，适配繁多缺点检测场景的这类计划只能达到 3% 的市场占有率。同时，AI 视觉技术落地缺点检测的三个外围难关也始终存在。”
第一个难关来自制作场景简单，缺点规范继续迭代，这对 AI 模型的算法能力提出挑战。比方在激光焊接场景下，缺点品种多，不同产线对缺点辨认的规范不同；又如随着生产工艺的改良，定义缺点的规范发生变化（如口罩生产过程中，原先金属鼻梁偏移 1 / 3 为缺点，变为偏移 1 / 4 才是缺点），如果模型算法的能力有余，则每当面临变动就须要重复从新训练，耗时耗力，无奈疾速满足生产需要。
激光焊接缺点品种多样
第二个难关来自缺点数据量小，小样本对模型训练提出挑战。某些制作场景下，可用于模型训练的数据量甚至少到个位数，或数据在窃密车间无奈取出。这导致传统的模型训练形式难发展，模型疾速产出碰壁。
第三个难关来自解决方案迁徙老本高。仅在同一企业，不同产线、不同产品对缺点辨认的需要不同，就会导致计划迁徙须要额定的调试工夫和人力。若是进入不同行业，建设新的解决方案更须要破费大量工夫适配行业标准，这都影响了解决方案的拓展效率。
除此之外，升高技术门槛，买通从技术到利用的“最初一公里”，让一线工作人员可能更加不便地应用人工智能技术，也是产业化落地中的一大难题。
基于此，象点科技判断，可能提供“复合模型和混合算法”的整合性平台化工具将是产业智能化降级过程中的必然方向。通过长时间技术迭代与摸索，象点科技抉择基于飞桨深度学习平台开发智能工业视觉平台软件 PixAI，摸索攻克人工智能视觉技术利用至缺点检测的三大难关，并“买通最初一公里”，发明用户价值。
基于飞桨打造 PixAI 平台摸索攻克技术难关，助企业提效
刘亦铭介绍，抉择飞桨的起因次要来自两方面：一是相比其余开源框架，飞桨有整体的研发迭代思路、问题解决方案和业余技术人员，同时提供了从开发到部署的全流程先进工具，具备“品质保障”，且“与时俱进”；二是飞桨的国产化特质，让先进制作企业防止“脱钩”危险，提供了更大的安全性。
在具体技术支持上，飞桨提供了十分好的底层技术。”刘亦铭补充，“基于这样的技术根底，咱们深刻各个先进制作企业，结合实际场景需要痛点及工艺逻辑，开发出 PixAI，摸索冲破 AI 视觉技术利用到缺点检测环节的三大难关，来更好地助力先进制作智能化降级。”
在 AI 模型算法方面，飞桨提供了丰盛的算法抉择。既能满足多样化的缺点辨认细节，又能提供偏重高性能、或高运行速度、或低成本等不同指标的算法计划。在此基础上，象点科技进一步把 AI 算法和企业工艺参数及缺点检测逻辑相结合，从而疾速产出具体场景的缺点辨认解决方案，以跟进生产工艺及规范的迭代变动。
以激光切割场景为例，随着生产工艺的变动，缺点定义可能由“缝隙”转变为“线条”，模型算法由偏重“高性能”转变为偏重“高推理速度”，飞桨可能提供满足不同需要的算法，而象点科技在此基础上退出相干工艺参数，如激光温度、切割速度、切割角度等，提供整体的参数调整计划，从而帮忙企业及时跟进变动，实现缺点辨认的疾速落地利用。
在小样本数据训练方面，飞桨提供了优质的半监督、无监督算法，极大缩小了模型训练数据需要。同时象点科技自研缺点仿真技术，通过大量缺点样本仿真生成大量图像，联合飞桨算法，进一步解决模型小样本训练数据有余的问题。
在计划迁徙方面，象点科技继续摸索与文心大模型联合，尝试在视觉大模型的根底上微调失去行业大模型，从而依附大模型的强泛化能力解决方案复制迁徙难题。
最终，基于飞桨底层技术根底，联合大量深刻的产业积攒，象点科技开发的 PixAI 智能工业视觉平台集模型训练和计划搭建为一体，提供了多种工业级 AI 工具链，笼罩流程搭建、图像仿真、智能标注、数据统计等外围开发场景。同时充分考虑技术易用性，设计图形化开发界面，让使用者毋庸编写代码即可生成简单的工业 AI 视觉检测计划，解决简单外观瑕疵检测难题。
PixAI 技术架构
目前，象点科技基于 PixAI 的缺点检测解决方案曾经笼罩 3C 电子、汽车、新能源、医疗耗材、激光五大类行业的 20 余家先进制作企业，提供 50 余个满足不同缺点检测场景需要的根底模型。所有缺点检测计划满足企业“重大缺点零漏检”指标，并联合不同企业产线具体要求，实现计划的灵便适配。
如在 AI 检测激光焊接缺点畛域，解决方案基于飞桨高性能图像宰割开发套件 PaddleSeg 和 PixAI 流程模块，实现适配 7 种焊接类型和 12 种缺点类型，相较原辨认计划晋升 15% 的缺点辨认能力，对激光锡焊、熔接焊、热压焊等焊接缺点综合检出率达到 99.99%；在涂胶缺点检测畛域，基于飞桨指标检测端到端开发套件 PaddleDetection 套件和 PixAI 缺点仿真模块，疾速实现小样本条件下的模型训练，在无线充、手机外壳、智能手表耳机、麦克风等 14 个产业中，将解决方案上线工夫缩短至 1 天，并对涂胶工艺中的各类缺点实现 99.99% 的检出率。
涂胶缺点检测示例
着眼将来大模型减速 AI 赋能先进制造业
谈到大模型给行业带来的新机会，刘亦铭认为“视觉大模型在解决‘缺点辨认计划迁徙难度大’这个问题上具备极大价值”。大模型能够间接省去传统视觉工作中的演绎、解释、找特色的步骤，凭借其杰出的泛化能力疾速实现解决方案的不同场景迁徙。并且凭借自监督训练、自适应方面的劣势，晋升解决方案的研发效率。
同时，象点科技也继续摸索解决方案与大语言模型的联合。“用大语言模型生成逻辑形容文件是一个能很好地升高研发门槛的方法。”刘亦铭谈到，“以往咱们须要有编程能力的工程师，来将理论问题转换为工程语言，而有了大语言模型，就能够让企业的一线生产人员，用自然语言的形式与大模型交互，让大模型生成工程描述语言，进而去自动化地执行解决问题。”
“独自的视觉大模型或大语言模型兴许还没方法齐全满足理论需要。”刘亦铭补充，“跨模态大模型会更适宜具体的落地场景。有时候技术落地产业并不在于模型自身的性能，更在于它的演绎性是否好，是不是可能提供更残缺的应用价值。
“每当行业呈现新的革命性技术时，都会产生一大批的优良企业，甚至是世界一流企业。象点科技也会抓住大模型倒退时机，力争成为视觉辨认业内的顶尖公司。咱们也置信，大模型技术将更加标准化、更加易用，不仅能服务千千万万的工厂，更能深刻地融入到咱们所有人的生存当中去。”