最新AOI算法的優(yōu)勢

       目前市面上，我們發(fā)現一個現象，眾多生產制造企業(yè)，特別是在SMT車間，大多選擇離線AOI設備。我們都知道，離線AOI雖然價格便宜，但是需要一個專人負責一臺AOI，人力成本高。卻還是這樣選擇，為什么呢？

      目前生產制造企業(yè)的轉型，已經不是大規(guī)模的生產方式。而是多品種，小比量生產。以產品齊套為目的，快速出成品搶占市場的方式。

      而傳統(tǒng)AOI的算法，不管是圖片對比還是矢量分析，在做程序方面，簡單的產品也需要一個小時，稍復雜產品，兩個小時的程序制做時間。試想，一個幾百到一千的批量，一臺在線AOI將整個生產線處于停止狀態(tài)，就不難想象很多企業(yè)的明智之舉就是選用離線AOI。

     另外一方面，AOI的誤判，也是制約在線AOI的使用。使用在線AOI，但誤判率高，也是需要一個人專職在AOI工位。人員沒節(jié)約，影響線體節(jié)拍，選擇在線AOI，很多加工廠已經讓昂貴的AOI變成一個明符其實的高級接駁臺。

     然而，目前在AOI行業(yè)出現了一個新的算法，給整個電子制造行業(yè)帶來了福音。解決了最讓人頭痛的兩大問題，程序編制和誤判率。

    卷積神經網絡可以處理圖像以及一切可以轉化成類似圖像結構的數據。相比傳統(tǒng)算法和其它神經網絡，卷積神經網絡能夠高效處理圖片的二維局部信息，提取圖片特征，進行圖像分類。通過海量帶標簽數據輸入，用梯度下降和誤差反向傳播的方法訓練模型。

卷積運算：識別圖片中指定特征

用卷積核在原圖上滑動，進行卷積運算，得到特征圖feature map。

卷積的本質：將原圖中符合卷積核特征的特征提取出來，展示在feature map里面。

如果原圖是X，卷積核是X，那么卷積核在原圖上卷積運算之后生成的feature map也是X。

如果原圖是O，卷積核是O，那么卷積核在原圖上卷積運算之后生成的feature map也是O。

如果原圖是O，卷積核是X，那么卷積核在原圖上卷積運算之后生成的feature map就是亂碼。

權值共享：卷積核掃過整張圖片的過程中，卷積核參數不變。

深度學習源于人工神經網絡的研究，通過設計建立適量的神經元計算節(jié)點和多層運算層次結構，選擇合適的輸入層和輸出層，通過網絡的學習和調優(yōu)，建立起從輸入到輸出的函數關系，減少了手工提取特征或者規(guī)則的步驟。 

     AOI利用在工業(yè)檢測領域應用深度學習算法，使用大數據優(yōu)化，智能極簡編程，一鍵自動識別元器件及焊點，智能判定不良。

  白話一點：編程時候，我們提前讓AOI認識到電子元器件，就像我們打工人一樣，剛進電子廠啥也不認識，你的師父就每天教你，這個是電容，這個是電阻。教多了，你也見多了（你接收到足夠的數據后），你就會識別什么是元器件，就算你師父沒教你的，你也會變通（因為成了模型）你也會認識。

               測試的時候，還是你師父每天告訴你，這個是不良品，這個是良品。時間長了，你就是一個合格的QC。所以誤判少的原理就在這里。

            上傳不了視頻文件啊，需要視頻可以聯系我。