凌云光研發(fā)總監(jiān)唐永亮博士受邀出席“工業(yè)智能基礎(chǔ)理論與關(guān)鍵技術(shù)”專題論壇，并作了題為《面向智能制造場景的深度學習》的精彩報告，對新發(fā)布的F.Brain工業(yè)質(zhì)檢場景的深度學習平臺及其競爭優(yōu)勢做了詳細介紹。

自2012年以來，以深度學習為主的人工智能技術(shù)在工業(yè)應(yīng)用場景得到了廣泛應(yīng)用與再創(chuàng)新，推動了傳統(tǒng)工業(yè)質(zhì)檢向人工智能時代邁進。但隨著深度學習在工業(yè)質(zhì)檢領(lǐng)域的應(yīng)用逐漸深入，通用的深度學習算法、框架、平臺逐漸不能滿足工業(yè)場景的實際應(yīng)用要求，面臨著缺陷樣本少、精度要求高和效能要求高等諸多挑戰(zhàn)。

此次發(fā)布的F.Brain（Fabrication & Factory Brain，工廠大腦、制造大腦）深度學習平臺，是基于凌云光多年在工業(yè)領(lǐng)域的經(jīng)驗積累，專為工業(yè)質(zhì)檢場景自主研發(fā)的深度學習平臺。針對工業(yè)質(zhì)檢場景碎片化、快交付、高迭代、低要求等特點，專門研發(fā)了多種算法，實現(xiàn)淺、弱和小缺陷的像素級檢測，通過輕量化、流程化模型設(shè)計實現(xiàn)快速部署，通過數(shù)據(jù)增強、模型預(yù)訓(xùn)練和元學習等，解決NG缺陷有限、訓(xùn)練樣本較少的“冷啟動場景”。

專為工業(yè)質(zhì)檢而生的深度學習平臺

01、應(yīng)用全流程標準化、平臺化大幅縮短交付周期

I、數(shù)據(jù)平臺：能與生產(chǎn)設(shè)備實現(xiàn)互聯(lián)互通，負責實際工業(yè)應(yīng)用場景的數(shù)據(jù)采集、傳輸、管理、標注、審核等工作。

II、訓(xùn)練平臺：最大的優(yōu)勢是支持云端和單機版的工業(yè)場景深度學習模型訓(xùn)練；內(nèi)部支持上百種深度學習模型，覆蓋主流通用檢測模型，目前已演化成具有多模型的AI算法商城。

III、推理平臺：面向服務(wù)端和邊緣端的部署推理平臺，快速實現(xiàn)工業(yè)場景“云邊端”側(cè)深度學習模型的量化、部署、下發(fā)等。

通過以上三個子平臺，能高效地實現(xiàn)深度學習應(yīng)用全流程的標準化、平臺化，滿足快速交付的要求。

02、應(yīng)用數(shù)據(jù)流程閉環(huán)省時高效

F.Brain具備項目管理、模型管理、發(fā)布數(shù)據(jù)集管理等以上六大管理模塊，能將三大子功能平臺無縫串接，實現(xiàn)深度學習每一步應(yīng)用流程的串聯(lián)，覆蓋深度學習應(yīng)用的整個數(shù)據(jù)流程閉環(huán)。

03、輕量化、流程化模型設(shè)計實現(xiàn)快速部署

唐永亮還對F.Brain深度學習平臺在版本管理、缺陷標注、云+本地部署、模型剪枝等八大特性作了詳細介紹，與現(xiàn)有的深度學習平臺相比，F(xiàn).Brain的應(yīng)用場景更加垂直聚焦于工業(yè)領(lǐng)域，通過流程化和輕量化的模型設(shè)計實現(xiàn)深度學習應(yīng)用在工業(yè)場景的快速批量復(fù)制落地。

面對鋰電行業(yè)智能制造新需求，凌云光憑借多年的研發(fā)積累及整體解決方案能力已為鋰電行業(yè)提供了一系列“機器視覺+AI”檢測解決方案，全方位助力新能源行業(yè)智能制造發(fā)展。
F.Brain平臺為凌云光新能源產(chǎn)品線提供的鋰電極片解決方案，目前平臺缺陷樣本庫數(shù)據(jù)量達到20萬+，檢測準確率高達98.5％，能有效檢出裂紋、硌紋、凹坑、掉粉、黑點、白點等缺陷，并對其進行分級，實現(xiàn)對工藝的精細化追溯。

對于要求更加嚴格的鋰電電芯外觀檢測，目前平臺積累的缺陷樣本數(shù)量達到10萬+，檢測準確率高達99.5％，能對鋰電電芯的防爆閥、極柱、藍膜和鋁殼等的外觀缺陷進行有效的檢測、分類和分級，助力鋰電企業(yè)實現(xiàn)零缺陷出貨。

近年來，新能源汽車產(chǎn)業(yè)快速發(fā)展，在動力電池大規(guī)模制造現(xiàn)狀下，電池企業(yè)對工業(yè)視覺檢測精度、檢測速度、缺陷分析等方面要求將更加嚴格。面對此行業(yè)發(fā)展趨勢，凌云光會持續(xù)加大“機器視覺+AI”在鋰電全工序檢測的研發(fā)投入，深刻理解鋰電檢測的新需求，助力電池企業(yè)向智能工廠全面轉(zhuǎn)型。