基于缺陷生成路径的AI质检新范式

在全球化的制造业格局中，产品质量问题一直是悬在企业头顶的一把达摩克利斯之剑。特别是近年来，随着消费者对产品质量的要求越来越高，任何微小的缺陷都可能引发大规模的产品召回，造成巨大的经济损失和社会影响。

以2021年中国汽车召回事件为例，873万辆汽车中，有15%是因为生产缺陷而被召回，这些召回不仅给制造商带来了巨大的经济损失，更是对品牌信誉的严重打击。而且，根据欧洲机器视觉行业协会（EMVA）的研究，缺陷造成的损失可能高达产品销售价格的22%，这一比例在全球范围内均为普遍存在。尤其是在动力电池、消费电子等精密产品制造领域，为了确保产品在各种环境和场景下都能达到设计性能，对缺陷和质量的管理要求更为精细和灵活。

因此，传统的质检方法已经无法满足现代制造业的需求，以AI为基础的视觉缺陷检测技术逐渐成为制造业的新宠，这种技术以其出色的抗干扰性和鲁棒性，在全球制造业中的市场份额逐年增加。相关研究显示，AI工业质检年复合增长率达45.6%，选择交付以AI为主的视觉系统的比例也高达45%。

然而，AI视觉应用在上线前必须准备足够多的缺陷训练集，尤其是那些困难案例中的特定缺陷，如电池极柱中的制造缺陷——裂纹及焊洞、半导体中各种错位姿态、焊点断裂，以及镜头生产中的灰尘、异物等。这些特定缺陷的训练图像在生产环境中收集起来既困难又昂贵，成为制约AI质检模型发展的瓶颈。

缺陷展示

电池极柱中的制造缺陷，如裂纹、焊洞等

半导体中的各种错位姿态、焊点断裂等

镜头生产中尺寸不一的灰尘、异物等

在这样的背景下，阿丘科技推出了工业级智能图像生成软件AIDG，一款基于Stable Diffusion框架的数据生成平台，AIDG平台的出现，为AI质检模型的训练提供了一种全新的解决方案。

它可解决AI落地工业检测的过程中，因图像数据不足导致的模型训练及验证困难、模型指标不佳等问题。可以基于真实缺陷的素材，快速批量生成高仿真度的缺陷图像，帮助用户高效获取AI模型构建及验证所需的样本，并提高模型的泛化能力与适应性，降低获得高质量模型的数据成本。

AIDG产品亮点

01生成样本真实度高

基于工业缺陷检测领域多年实践的预训练模型+Stable Diffusion框架，可适应复杂结构缺陷、背景变化、缺陷边缘处理等多样场景，高度还原真实缺陷纹理、立体度和色彩细节，可直接用于模型开发

02生成方式灵活高效

只需1-5张的真实样本，支持批量生成、自动生成、参数生成，支持对多个缺陷类型进行组合，保障样本丰富均衡

03支持缺陷素材沉淀入库

支持缺陷素材沉淀、迁移复用；提供在线素材库，内置丰富的行业有效缺陷素材，缩短数据获取周期，甚至0样本也可以使用接下来，本文将介绍如何使用AIDG，在四步内利用数据生成提升模型性能和效果，以便更直观地了解生成式AI的价值。01
 

第一步：创建局部缺陷素材库

创建局部缺陷素材库是AIDG平台工作的第一步，它将为后续的生成提供重要的参考和依据。素材库的建立可以通过多种途径实现，包括历史素材、真实NG案例以及阿丘科技独家支持的缺陷样本。

各类内腔部件异物
各类内腔水印

素材库的建立，不仅仅是一个简单的收集过程，它涉及到对历史数据的深入分析，对真实NG样本的精确捕捉，以及对阿丘科技独家技术的运用。通过收集这些真实的缺陷图像，可以确保生成的数据更加贴近实际生产环境，从而提高模型的泛化能力。

02
 

第二步：模拟生产环境

有了局部缺陷素材库之后，接下来需要模拟真实的生产环境。这一步的目的是将符合生产要求的OK图导入到AIDG中，作为背景为后续的缺陷生成做准备（OK图是指没有缺陷的标准产品图像，这些图像将作为生成缺陷的基础背景）。

在模拟生产环境时，需要考虑以下几个方面：

• 光源条件：不同的生产环境可能有不同的光源条件，如环形光、点光源等，需要确保导入的OK图能够在不同光源条件下保持一致的效果。

镜头选择：选择合适的镜头同样关键，不同的镜头可能会导致图像的畸变或失真，影响生成数据的质量。

• 成像系统：确定成像系统的基本效果，包括分辨率、对比度、像素当量等参数，确保生成的图像能够真实反映生产环境中的情况。

03
 

第三步：缺陷多样性设置

在AIDG中，根据项目需求设置对应的缺陷多样性策略，算法将根据策略随机在OK图上生成不同位置、大小、角度、亮度等条件下的缺陷。这一步的关键在于控制生成图像的数量和每类缺陷的数量，以保证生成的多样性和均衡性。这种多样性的设置，使得生成的缺陷数据能够覆盖更多的可能情况，从而提高模型的泛化能力和鲁棒性。

缺陷多样性参数设置

具体来说，缺陷多样性设置可以包括以下几个方面：

• 缺陷种类：选择需要生成的缺陷类型，如裂纹、焊洞、错位姿态等。每种缺陷类型都可以单独设置生成参数，确保生成的数据能够全面覆盖各种缺陷情况。

位置多样性：设置缺陷在图像中的位置分布，可以是随机分布，也可以是特定区域内的集中分布。通过控制缺陷的位置，模拟不同的生产环境和缺陷发生概率。

照明条件：设置不同的照明条件，如不同的光线强度、方向和颜色，以模拟生产环境中可能遇到的各种光照情况，有助于生成的数据在亮度上具备多样性，解决光源因距离导致的成像效果不统一问题。

大小和角度：设置缺陷的大小和角度，可以生成不同大小和角度的缺陷图像，增加数据的多样性。对于重点缺陷，还可通过延长或缩短其长度，确保重点缺陷的不漏检。

04
 

第四步：导入到AIDI中进行训练或迭代

这一步涉及到将AIDG生成的缺陷数据与AIDI的深度学习模型相结合，通过训练和迭代，提高模型的性能和效果。这个过程不仅能够减少训练所需的资源，缩短训练时间，还能够解决光源因距离导致的成像效果不统一问题，确保重点缺陷的不漏检。

装载生成图的AIDI界面（生成缺陷自带标注）

混淆矩阵中训练效果提升，漏检的3张图全部检出，检出率提升8%

通过这四步流程，AIDG平台不仅能够生成具有多样性的缺陷数据，还能够确保这些数据的质量和均衡性，从而提高AI质检模型的性能和效果。这种基于缺陷生成路径的质检新范式，既能够解决传统数据收集的困难和昂贵问题，又能够提供更加精确和高效的解决方案。

目前，阿丘科技正在行业垂直检测大模型、生成式AI等领域加深行业应用和产品化能力，通用人工智能的发展离不开高质量数据的支持，而数据对于AI来说，是人类对现实世界的理解和认知。生成式AI的路线，将进一步放大这种认知的程度，最终实现以数据为中心的AI驱动范式。

阿丘科技的技术支持团队提供全套AIDG培训和各类型项目POC（Proof of Concept），欢迎用户积极试用，一起加速模型的高效上线。