图像自动标注和模型训练技术在工业视觉中的应用

1. 痛点问题

工业视觉场景下普遍存在缺陷样本数量少、难采集，已有标注方案无法完全发挥样本数据效用等问题。在工业视觉应用场景中，产线整体生产良率均已达到相当水平，人工可识别的缺陷样本数量相对较少，且采集难度较大。制造生产环节对产线效率要求较高，模型训练难以实现精度与效率上的平衡。

2. 解决方案

本项目将最新的少样本学习、连续学习、模型压缩与优化技术，与工业场景中的缺陷检测需求深入结合，致力于工业视觉自主知识产权软硬件一体化装备研发。针对玻璃深加工与半导体晶圆宏观缺陷检测，本项目已完成工业视觉全流程视觉感知算法、人工智能算法研发平台、玻璃智能一体检测设备、晶圆宏观缺陷检测设备等智能设备的原理验证和装备试制，同时有多项智能设备在研。

本项目在玻璃与半导体缺陷检测中，基于图像自动标注方法完成少样本场景下的数据采集与标注，通过弱监督学习和连续学习方法完成有效模型构建，并针对长尾数据集设计模型训练和优化方法，实现高效工业视觉感知计算。针对工业视觉场景，本项目集成视觉感知算法能力，研发人工智能算法研发平台，该平台秉承低代码化、可视化等原则，打造包含数据采集与标注、算法训练与评估、模型压缩与优化、应用部署与管理的数据闭环。

合作需求

寻求浮法玻璃深加工、半导体加工与制造等行业企业合作。

本项目目前已有多款原理样机，正在与信义玻璃、福莱特玻璃、燕东微电子、士兰微电子等头部客户推广。据国家认证认可监督管理委员会、前瞻产业研究院等报告数据，当前中国工业视觉市场规模已经超过 2000 亿元人民币，并在数万亿级别的智能制造市场中保持年复合增长率超过 30%。本项目将进行产业转化和国产化装备研制，相关成果还将推广至新能源、纺织、装配自动化等其他领域，具有广阔的市场应用前景。

本项目成果可应用于半导体检测、玻璃检测等人工智能检测领域，目前相关设备以国外品牌为主，如美国的 KLA（科磊）、AMAT（应用材料），德国的 ISRA 等，国内相关厂商主要以解决方案为主，关键设备研发能力尚不能完全实现国产替代。基于本项目研发的工业视觉设备具有如下优势：自主知识产权、全流程AI监控、高速高精度成像、多方式观测、自动标注、自动训练、自动部署等。