点击图片查看原图
ALFA软件使用神经网络算法，模块化地解决机器视觉的各种问题，真正让人工智能走入机器视觉领域。ALFA让每一台自动化设备有了大脑，有了像人一样的学习能力，可以在不断工作中积累经验，越干经验越丰富，结果越来越精准，实现真正意义上的机器替代人，必将掀起新一轮的产业变革。
利用ALFA缺陷检测模块工具的管理模式和ALFA分类模块的自动化检测与分类，将会使汽车行业的金属零部件检测变得非常简单。
首先需要收集大量的零部件检测图片做为学习样本库，其中包括正常品和残次品，每种残次品的检测图片至少包含一组以上。样本库中的样本越多，学习效果越好，后续的检测也会越准确。
接下来ALFA软件通过图片样本库进行训练学习，并产生检测的参照模型，这个学习过程只需要不到10分钟，具体学习取决于电脑的硬件配置。
最后即可将ALFA用于实际的检测中。
缺陷案例
图2：缺陷检测案例。
如图2所示，软件算法通过一组有代表性的注释图像，以及已知的好样本进行自我训练后，学习系统自动集成上下文信息，形成一个可靠的形状和纹理的模型，用于校对检测。结果显示，之前难以被识别的缺陷，都可以被准确地检测到：撞击和刮伤被视为异常，因为它们有一个纹理区域偏离了预期的设定值，即撞击和刮伤面积超出了容忍偏差。
粗糙金属板
表面缺陷检查的关键挑战之一，即它们是动态的，这与零部件的加工工艺流程或成形过程有直接关系。当零部件经历了全部的生产步骤，其中部分表面被喷涂油漆，导致抛光表面成为镜面反射光。如图3所示，此时撞击、污渍和划痕这些缺陷才变得可见，并且令人不安。汽车生产厂商完全不能接受这种缺陷产品。
然而，这种只能在工艺末端才能检测到的缺陷，成本非常高昂。利用ALFA缺陷检测模块，粗糙材料上典型的缺陷，可以通过任何标准照明和矩阵相机获得的图像检测和分类。训练阶段完成后，在一个标准GPU上计算其能在几毫秒内可靠地识别缺陷，从而实现在线实时检测。
图3：粗糙金属板表面的撞击、污渍和划痕检测实例。
核心优势：
传统开发周期需要经过- 图像采集研究- 软件开发测试研究- 可行性评估测试修改—开发周期需要60天以上
目前使用ALFA深度学习软件只需要- 图像采集测试—开发周期1天就能出可行性方案加快投入市场时间
结果&性能
强大的检测：ALFA可以在生产过程的早期阶段，可靠地对复杂纹理的表面、镜面反射和可容忍范围内的异常图像缺陷进行检测和分类。
自学习：检测过程无需大量仔细调整和优化的检测算法，而是依赖于一个类似人类的方法——学习和应用，并且具有改进的测试一致性和可重复性。
快速&简单：整个学习具有代表性的图片样本库的过程非常高效，其学习时间小于15分钟
