高视科技 GoMind AI视觉云平台V2.0 发布

Ø工业质检深度学习平台重磅发布   

自2012年以来，深度学习等人工智能技术在工业应用领域经历了一段引人注目的发展历程。这些技术的广泛应用和不断创新已经改变了传统工业质检的面貌，将其引领进入了人工智能时代的新阶段。

然而，随着深度学习在工业质检领域的应用不断深化，我们也面临着一系列复杂的挑战。首先，由于工业场景的多样性，通用的深度学习算法、框架和平台逐渐显得不够灵活，难以满足不同工业行业的具体需求。其次，缺乏充分的样本数据成为一个制约因素，尤其是对于某些特定的缺陷或问题，数据的不足使得模型训练和泛化变得更加困难。另外，工业质检对于精度要求非常高，因此需要不断提高深度学习模型的准确性，以确保产品质量的可靠性。同时，高效率也是一个亟待解决的问题，因为实时性和快速响应在工业生产中至关重要。

面对这些挑战，我们需要不断推动深度学习技术的研究和应用，以适应不断变化的工业环境。同时，我们还需要积极寻求跨学科合作，将领域专家、工程师和数据科学家的智慧结合起来，共同解决工业质检领域的难题。只有如此，我们才能更好地利用人工智能技术，推动工业质检迈向更高的水平，确保产品的质量和可靠性。

最新发布的GoMind深度学习平台是高视科技多年来在工业领域积累的宝贵经验的结晶。这一平台专门为工业质检场景而开发，旨在满足碎片化、快交付、高迭代和低要求等工业质检领域的独特需求。

在这一深度学习平台的背后，有着多项专门研发的算法，旨在实现对浅、弱和小缺陷的像素级检测。这意味着GoMind平台能够在细微的缺陷上进行高精度的检测，确保产品质量的可靠性。而轻量化和流程化的模型设计则使得快速部署成为可能，提高了生产线上的效率和即时响应能力。

此外，GoMind还采用了多种技术，如数据增强、小样本生成、自动超参和智能标注等，以解决工业质检领域面临的“冷启动场景”问题。这种情况下，训练样本有限，但GoMind通过创新性的方法和算法，能够充分利用有限的数据，提高模型的性能。

总而言之，GoMind深度学习平台代表了高视科技在工业质检领域的最新创新，它不仅满足了工业场景的特殊需求，还采用了先进的技术来提高质检的精度和效率。这将有助于工业企业提高产品质量，降低生产成本，并在竞争激烈的市场中脱颖而出。

         

 

图1 GoMind系统架构

         

Ø为工业质检而生的深度学习平台，专注于屏显制造，新能源，半导体行业  

一、GoMind的3大功能平台  

Ⅰ、数据平台GoCheck：数据平台是一个能够与生产设备进行互联互通的系统，主要负责工业应用场景中的数据采集、传输、管理、标注、审核和人工复判等方面的工作。数据平台的设计和实施是实现工业智能化和数字化的关键之一，它能够为工业应用提供高质量、准确的数据支持，进一步推动工业生产的优化和升级。

Ⅱ、训练平台GoBrain：训练平台的最大优势在于支持云端和单机版的工业场景深度学习模型训练。这一平台内部提供了上百种深度学习模型，覆盖了主流的通用检测模型，提供分类，目标检测，语义分割，实例分割，异常检测等不同种类算法可以灵活选择，适用于不同场景。这些深度学习模型的应用范围广泛，可以用于工业检测、分类、识别等任务。通过训练平台，用户可以轻松地训练出更加精准、高效的深度学习模型，提高工业生产的效率和品质。

Ⅲ、推理平台GoDetect：推理平台是面向服务端和边缘端部署的深度学习模型推理平台，能够快速实现工业场景“云边端”侧深度学习模型的量化、部署、下发等。这一平台的快速性使得工业智能化的应用能够高效运行，确保实时决策和响应。推理平台的快速部署和高效运行，能够为工业生产提供更加稳定、可靠的技术支持，提高生产效率和品质。

综上所述，通过数据平台GoCheck、训练平台GoBrain和推理GoDetect平台这三个子平台的协同工作，能够高效地实现深度学习应用全流程的标准化和平台化，满足工业生产快速交付的要求。这些子平台的应用范围广泛，可以应用于不同的工业领域和场景，为工业生产的智能化和数字化提供了强有力的支持。

 

 

图2 GoMind核心算法模块与应用场景

                  

二、GoMind的6大管理模块  

Ⅰ、数据中心：

数据中心是我们GoMind深度学习平台的核心，它负责数据的采集、存储、管理和维护。这个模块不仅提供了高效的数据流程，还确保了数据的安全性和一致性。我们的数据中心是一个完整的数据生命周期管理工具，为深度学习模型提供了坚实的数据基础。         

Ⅱ、模型中心：

模型中心是深度学习平台的灵魂，它专注于模型的开发、训练和优化。在这个模块中，用户可以轻松创建、测试和部署各种深度学习模型。我们的模型中心支持多种深度学习框架和模型类型，为用户提供了丰富的选择。

Ⅲ、测试中心：

测试中心致力于保证模型的质量和性能。在这个模块中，我们提供了全面的测试工具和资源，帮助用户评估模型的准确性、鲁棒性和效率。这有助于确保模型在实际应用中表现出色。         

Ⅳ、工具中心：

工具中心是用户在深度学习平台上的得力助手。这个模块汇集了各种实用工具，包括小样本生成、ROI截取、聚类分析、相似度分析等，使用户能够更轻松地进行深度学习项目的开发和管理。

Ⅴ、配置中心：

配置中心为用户提供了一个灵活的配置管理平台。在这里，用户可以轻松配置和管理他们的深度学习环境，包括硬件资源、软件库和网络设置。这有助于确保项目的顺利进行。         

Ⅵ、用户管理：

用户管理模块负责平台的权限管理和用户身份验证。通过这个模块，管理员可以轻松添加、删除和管理用户，同时控制他们对平台的访问权限。这有助于保持平台的安全性和可控性。       

这六大模块共同构建了一个强大的深度学习平台，为用户提供了一站式的解决方案，支持从数据处理到模型开发和测试的完整深度学习工作流程。

 

 

图3 AI质检流程

 

三、GoMind平台方案与传统方案对比优势  

高视GoMind平台方案以智能自动化工具为核心，例如难例分析和聚类等功能，以及自动化的超参数优化、模型评估和模型监控等功能，有效协助操作人员大幅降低了多个关键领域的时间和成本开支。具体而言：

Ⅰ、数据标注时间与成本大幅降低：GoMind平台通过自动化工具，能够更智能地处理数据标注任务。这意味着操作人员无需耗费大量时间手动标注数据，从而降低了标注时间和相关的成本开支。

Ⅱ、模型调优时间与成本显著减少：平台内置的自动超参数优化功能，使模型调优变得更加高效。操作人员可以快速测试多种参数组合，找到最佳的模型配置，而不必花费大量时间和资源。

Ⅲ、模型部署时间和运维成本降低：GoMind平台不仅简化了模型的部署流程，还提供了实时模型监控，确保模型在运行时保持高效和稳定。这有助于减少模型部署时间和运维成本，提高了生产效率。

总之，高视GoMind平台方案通过智能自动化工具和一系列功能的整合，为操作人员提供了强大的支持，帮助他们在数据标注、模型调优和模型部署等方面大幅降低了时间和成本开支。这不仅提高了工作效率，还有助于优化资源利用，使深度学习项目更具竞争力。

 

         

Ø基于GoMind平台 的AOI+AI（ADC）解决方案，助力客户智能工厂全面转型  

 

 

一、方案概述 - IC缺陷分类  

场景概述         

Ⅰ、对于芯片和晶圆制造环境中的缺陷检测，缺陷分类也是非常关键的一步。缺陷分类可以帮助制造商更好地了解缺陷的性质和来源，从而采取 相应的措施进行改进和优化。

Ⅱ、在芯片和晶圆制造中，由于缺陷种类繁多，且可能存在不同的来源和机制，因此需要对缺陷进行分类。例如，可以将缺陷分为表面缺陷、材料缺陷、工艺缺陷等不同类型，也可以根据缺陷的形态、大小、位置等特征进行分类。通过对缺陷进行分类，制造商可以更好地了解缺陷的分布规律和影响因素，从而有针对性地采取相应的措施进行改进和优化。例如，对于某些常见的缺陷类型，可以采取相应的工艺调整或设备改进来减少其发生率；对于一些比较严重的缺陷，可以采取更加严格的检测标准来避免其出现。

Ⅲ、我司对接的晶圆制造客户多采用KLA,camTek,东丽等机台，本身不具备精准详细的分类能力，需要安排人工进行分类，其效率和效果均难以让人满意，人力成本也比较高。         

 

解决方案

Ⅰ、GoMind-ADC系统根据AOI设备或高分辨率缺陷检视系统输出信息对缺陷信息进行分类、实时展示以及缺陷分析。

Ⅱ、GoMind-ADC系统具有分类精度高（最高>99.5%）,易用性强，具备实时性与可追溯性，基于高视科技多年积累的大量KnowHow数据及千万张级缺陷图像样本量，具备强大的跨产品和和跨设备的迁移能力，可兼容多家主流设备厂商数据例如KLA，东丽，camTek等。

 

         

二、方案概述 - 电芯缺陷检测  

场景概述

Ⅰ、新能源电芯外观缺陷检测是指对电芯外观缺陷进行检测，以确保电芯的质量和外观符合相关标准和要求。在新能源电芯生产过程中，外观缺陷可能包括划痕、凹陷、色差、污渍等。

Ⅱ、电池的外观缺陷检测对于保证电池的质量、安全和符合相关标准和要求非常重要。

Ⅲ、新能源电池外观缺陷检测采用人工目检方式存在如下问题：

主观性强；检测效率低；漏检率高；难以进行质量追溯和数据分析。

         

方案成果

Ⅰ、三个月内即实现了6个AI质检工位的上线试运行，达成了14天零漏检的验收指标，整体识别准确率达99.5%，且识别速度快，不影响原产线生产节拍。

Ⅱ、通过图形化的界面以及简洁、友好的操作方式，产线业务人员简单培训后也可快速上手，让普通工程师也能用AI。

 

         

三、方案概述 - 屏显外观缺陷复判  

场景概述

Ⅰ、某一线屏显制造厂商需求Scribe检查机AI判片功能 ，项目导入前一期Scribe Buffer进入率维持在30%，二期Scribe Buffer进入率维持在22%。导入后一期二期的Buffer进入率降到10%以下。

Ⅱ、项目导入前，客户主要产品假性缺陷类型包括DI残留，Broken, Burr, Crack, Pad印等类别。

         

解决方案

Ⅰ、检查机在检测Panel缺陷以后把Defect Image上传给AI 服务器，AI服务器根据算法自动判定结果，并把结果回馈给检查机，检查机根据反馈的结果，将良品和假性不良的Panel自动Flow，只把真性不良品传送到Buffer待工程师处理。最终效果是大幅减少了人工复判量，超过85%的AOI过检被AI系统过滤。