数据智能标注、模型选型、场景范例、应用部署，工业质检全流程一网打尽！！！

作为生产制造过程中必不可少的一步，产品质量检测广泛应用于工业领域，如：3C、半导体及电子、汽车、化工、医药、轻工等行业。

图1 工业质检场景

在AI出现之前，往往是依赖人工检测或者使用传统图像处理算法。人工检测效率低，成本高，且容易受到人为主观因素影响。传统图像处理算法对于复杂场景鲁棒性差。而随着卷积神经网络为代表的AI算法出现，为工业质检带来了技术革新。它有效地解决在复杂场景检测的能力，在实际的项目过程中对目标识别具有更好的普适性。

虽然深度学习技术好，但是在实际落地中往往会遇到很多的问题：

• 模型依靠大量的数据，标注成本高；

• 场景复杂，如何有效的根据自己的场景选择对应的模型和部署硬件；

• 模型精度低，如何进行有效的优化；

• 预测性能不好，如何进一步提升预测性能。

图2 工业质检落地痛点

作为源于产业实践的深度学习平台，飞桨一直致力于为各行各业的开发者提供完备的产业应用开发方案。同样在工业质检领域，飞桨也提供了从自动化标注、模型选型、模型优化、模型部署的全流程方案，致力于更好的帮助开发者完成工业质检项目的应用开发。

图3 工业质检全流程

数据在深度学习中起着至关重要的作用。比如一个实际项目总金额仅20万，但标注的成本就耗费3-4万！为了帮助大家节约标注成本，飞桨PaddleSeg团队开源了交互式分割工具—EISeg。所谓交互式分割，其实就是先用预训练模型对图像预标注。对于标注不精准、有误差的地方，再通过较少的绿色点（正点）和红色点（负点）精准的调整目标对象的边缘，从而实现精细化标注。

为了更好的满足在质检场景的标注需求，近期EISeg发布了v0.5版本，推出了专用于质检领域的交互式分割模型。在各种质检场景下均取得了很不错的效果，标注效率直接起飞。

产品链接：

https://github.com/PaddlePaddle/PaddleSeg/tree/release/2.5/EISeg

欢迎大家star点击收藏吧~

图4 EISeg自动标注效果图

在实际的项目落地中，由于场景复杂多样，该选择什么模型，选择什么硬件，往往非常困惑。为了更好的帮助用户解决这个问题，飞桨团队推出了产业模型选型工具，可以帮助用户根据场景，快速选择模型和硬件。

产品体验地址：

https://www.paddlepaddle.org.cn/smrt

图5 飞桨产业模型选型工具

同时模型选型工具，凝聚了飞桨在产业实践中的经验，根据用户上传的标注数据文件（不需要原图），进一步分析数据特点，提供模型的策略。

图6 数据分析功能

为了刚好的帮助大家产业落地，飞桨团队推出了《产业实践范例库》。在质检方向，推出了基于3C、汽车等多个领域的真实范例，帮助用户直达落地。

图7 半导体缺陷检测范例

图8 钢板缺陷检测范例

部署上线是整个深度学习项目上线的最后一环，常被人们称为深度学习应用落地的最后一公里。

飞桨团队在Windows系统环境下，对飞桨原生预测库Paddle Inference进行了进一步封装，可一键开启TensorRT预测加速，形成了面向工业场景的更高性能的部署方案，实现对最后一公里的极致优化。

图9 部署Demo 及模型加速前后效果展示

为了让小伙伴们更直观的感受到飞桨在工业质检领域的能力，飞桨为大家准备了相应直播课程，小伙伴们快来锁定5月25日的直播间吧！

扫码报名直播课，加入技术交流群

更多精彩抢先看

数据引用说明：

图1:源于合作伙伴数据

图2:由Humaaans插件制做

图4:交互式分割图片由合作伙伴提供

图7:由合作伙伴提供数据