合成数据生成用于基于人工智能的激光接在离子电池中的质量检查

科学领域:

• 制造业 制造技术 制造技术
• 人工智能的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 制造业面临着技术劳动力短缺,成本上升和严格的质量要求的挑战,特别是在视觉变量缺陷方面.
• 手动检查高差异缺陷是昂贵的,容易出错,并与一致性作斗争.
• 基于人工智能的视觉质量控制提供了一个解决方案,但由于有限的现实世界培训数据和密集的标签,这往往受到阻碍.

研究的目的:

• 提出使用合成图像数据培训AI模型的方法,以解决视觉质量控制的现实数据可用性的局限性.
• 通过使用基于物理的染 (PBR) 来证明合成数据生成的有效性,用于制造检查中的AI模型培训.
• 为了在一个关键的应用上验证该方法:检查电动汽车电池连接器中的激光接.

主要方法:

• 使用基于物理的染 (PBR) 来生成合成图像数据,并精确控制染参数.
• 实施由合成数据生成过程促进的自动标签.
• 仅在合成生成的图像数据集上训练二进制分类器AI模型.

主要成果:

• 仅在合成数据上训练的AI模型在真实世界图像数据上测试时实现了高性能指标.
• 在二进制分类任务中获得了0.94的精度和0.98的回忆.
• 证明了绕过大型,真实训练数据集的需求的可行性.

结论:

• 通过PBR生成的合成数据是训练可靠的人工智能模型进行视觉质量控制的可行和有效替代方案.
• 这种方法为人工智能驱动的制造检查中的数据采集和标签挑战提供了可扩展和高效的解决方案.
• 这种方法对于具有高差异缺陷的关键应用特别有利,例如电动汽车电池接检查.