近日，富士通实验室宣布，公司已经成功开发了一种用于图像检查的 AI 技术，该技术可以高度精确地检测制成品上的各种外部异常，包括划痕和生产错误的等。同时，该技术也大大减少了产品的质检人力与时间成本。

　　机器视觉给产品「挑刺」，又快又准

　　长期以来，产品质量检测都是依赖人工肉眼检测，这样的方式，不仅效率低，而且很容易因人为因素，造成漏检、错检、标准不统一等问题。

　　为此，富士通决定用机器视觉代替人类肉眼，来检测成品的外部异常。「AI 质检员」可根据产品的近似形状、详细结构和质地等特征，确定产品是否有缺陷。

　　在不同类型的测试中，「AI 质检员」也能够把握检测重点，精准分析产品异常。比如，在形状变形测试中，它会理解，近似形状的判断是最重要的;而在条件或图案测试中，「AI 质检员」就会认为，纹理的检测是最重要的。

　　此外，即使产品看起来正常，但如果涂层、颜色和接线形状等元素存在个体差异，AI 也会针对每个项目检查这些特性，并在检查的同时，判断出个体差异或异常是否在可接受的范围内。

　　据介绍，训练 AI 来执行质量控制任务的挑战在于，此前通常使用个体特征的加权和累加指数来训练模型，如此一来，要创建一个能够掌握所有检查特征的模型，可能会比较困难。

　　对此，富士通已经开发出一种新的 AI 模型训练方法，让 AI 能够基于 5000 多种人工物体的图像库，生成各种形状、大小和颜色的材料，并在其中随机添加异常，然后用这些带有异常的图片训练模型。

　　在训练过程中，富士通研究人员将正常图像与 AI 还原后的图像进行比较，评估每种功能的训练程度，例如近似形状、详细结构和纹理，并控制要添加的异常的大小、颜色和数量，以便 AI 优先学习未捕获的特征。之后，通过对 AI 还原的图像进行评估，对其薄弱方面进行加强训练。

　　简而言之，这一过程相当于，AI 自己创造异常，再交给自己进行检测，并将图像恢复至正常状态，从而在不断的自我博弈中，精进技艺。

　　富士通在其日本长野工厂的检验过程中，验证了该技术的有效性。当其 AI 应用于外观正常的产品时，AUC 得分超过 98%，而且，该技术将印刷电路板的检验工时减少了 25%。

　　富士通表示，未来公司将进一步开发相关技术，应用于其 COLMINA 数字解决方案，实现企业的数字化转型。