基于知识融入预训练与小样本学习的3C产品表面缺陷检测
工业质检通过预先监控产品质量来防止因产品大量返修而带来的经济损失,是确保3C类产品企业持续健康发展的重要环节,但该环节引入的人力成本又成为这类企业降本增效的“痛点”。在企业数字化转型的大背景下,以人工智能技术为基础的自动化质检方案是解决这类企业用工难、成本高的必由之路。然而,每一个自动化质检任务中的模型往往需要大量标注数据进行训练,且很难将已有的质检标注数据直接应用到其他质检任务中,这导致需要增加大量人力和时间成本来进行数据收集和标注工作。因此,如何进行模型“冷启动”,并在标注样本有限的条件下构建符合3C类产品工业质检需求的模型方案是当务之急,也是自动化质检提效的关键。为此,我们首先构建3C类产品缺陷检测标准数据集,并结合这类数据特点研发一套知识融入预训练+小样本学习的联合方案。该方案在面向缺陷检测预训练基础之上通过融入知识来增强预训练效果,并结合小样本学习进行实际的落地应用,以此来解决上述行业和技术落地的痛点问题。预计这套方案能够为90%以上的3C产品缺陷检测项目进行赋能,并减少项目中60%以上的人工标注成本,将项目交付周期由4-5个月缩短到2个月左右。
(1)建立全面、系统、科学的缺陷分类及自动化标注方法,为缺陷检测行业提供标准数据库。将公司近年来所做的几十个大型3C类产品质检项目中的典型缺陷进行特征分析,并对每一类缺陷的特征给出明确定义及标注规则。
(2)在项目冷启动阶段,通过知识融入预训练来利用标准数据库中的知识,在每类缺陷标注样本少于10的情况下实现基于小样本学习的自动化质检的平均漏检率低于5%和平均过杀率低于20%。
(3)在项目交付阶段,在每类缺陷标注样本少于100的情况下实现平均漏检率低于1%和平均过杀率低于10%的行业交付指标的较高质检指标。
金额 100 万
发布日期20241201
2024中国高校科技成果交易会企业技术需求