缺陷檢測在電子制造業中是非常重要的應用。然而，由于存在的缺陷多種多樣，傳統的機器視覺算法很難對缺陷特征進行完全建模和遷移缺陷特征，致使傳統機器視覺算法可重復使用性不是很大，并且需要區分工作條件，這將浪費大量的人力成本。因此，越來越多的工程師開始將深度學習算法引入缺陷檢測領域，因為深度學習在特征提取和定位方面取得了非常好的效果。

本文將介紹瑞薩電子深度學習算法在缺陷檢測領域的應用，以PCB電路板缺陷檢測為例。

在這里，我們提出了一種缺陷檢測解決方案，使用YOLOv3-tiny深度學習算法。YOLOv3-tiny是一種輕量級的目標檢測算法。YOLOv3-tiny的網絡結構如下：

與原來的YOLOv3模型相比，YOLOv3-tiny減少了一些層數和參數，提高了嵌入式設備上的推理速度和效率。該算法具有較高的實時性和良好的精度，非常適合工業缺陷檢測應用。

該缺陷檢測解決方案可以部署在RZ/V2MMPU芯片上。RZ/V2M是一款集成了瑞薩DRP-AI硬件加速單元的的AI專用處理器，其硬件特性如下：

RZ/V2M系統框圖

高達4K分辨率的硬件ISP

具有高度的魯棒性，產生穩定的圖像，不受環境的影響

傳感器和鏡頭控制，如自動曝光、白平衡、畸變校正、黑點校正、缺陷像素修正等

色彩質量增強，HDR，WDR，噪聲衰減，如色彩校正、黑度校正等

色彩控制，如色彩空間轉換、圖像翻轉、裁剪、整形等

視覺和AI能力

DRP-AI硬件加速器，高精度FP16數據類型

AI能效性能（低消耗、低發熱量）

攝像頭接口：2× MIPI CSI

視頻及圖像引擎

H.265/H.264 編解碼器

編碼：H.265 最高2160p30, H.264最高1080p60

解碼：H.265 最高2160p30, H.264 最高1080p60

2D圖像引擎：200 MPixels/s

JPEG硬件編碼器

顯示：HDMI 1.4a

高速接口

1× Gigabit Ethernet

1×USB3.1 Gen1 Host/Peripheral

1× PCIe Gen 2 (2 lanes)

2× SDIO 3.0

1× eMMC 4.5.1

基于以上硬件特性，使得RZ/V2M可以很好的支持工業缺陷檢測，AI模型部署過程如下圖所示：

ONNX是一種用于表示機器學習模型的開放格式。

ONNX定義了一組通用運算符，機器學習和深度學習模型的構建基塊以及通用文件格式，使AI開發人員能夠使用具有各種框架、工具、運行時和編譯器的模型。

此應用程序在RZ/V2M MPU中的硬件設置如下：

YOLOv3-tiny 缺陷檢測解決方案部署在 RZ/V2M，具有低功耗（小于5W）、高性能推理效果的特點，RZ/V2M為52fps（不包括前處理和后處理）。

嵌入式缺陷檢測不僅用于電子制造中的PCB缺陷檢測，還具有廣泛的應用場景，以下是一些常見示例：

工業自動化

在制造過程中，可以實時檢測產品中的缺陷，例如不正確的產品組裝、零件缺失或損壞。

農業領域

在農業生產中，它可用于檢測作物或蔬菜中的缺陷，例如疾病，害蟲或水果畸形。

安防監控

可用于安防監控系統中的缺陷檢測，如檢測建筑物或公共場所的異常物體、入侵行為或安全隱患。

醫學成像

在醫學領域，可應用于醫學圖像分析，檢測疾病標志物、腫瘤或異常組織等。

車輛檢測

在智能交通系統中，可用于車輛檢測，如交通流量監控、非法車輛檢測或停車場管理。

隨著人工智能技術的不斷進步，我們期待在工業制造、安防、智能零售、服務機器人等多個領域推出更多應用和解決方案。

審核編輯：湯梓紅