在全球化的制造業格局中，產品質量問題一直是懸在企業頭頂的一把達摩克利斯之劍。特別是近年來，隨著消費者對產品質量的要求越來越高，任何微小的缺陷都可能引發大規模的產品召回，造成巨大的經濟損失和社會影響。

以2021年中國汽車召回事件為例，873萬輛汽車中，有15%是因為生產缺陷而被召回，這些召回不僅給制造商帶來了巨大的經濟損失，更是對品牌信譽的嚴重打擊。而且，根據歐洲機器視覺行業協會（EMVA）的研究，缺陷造成的損失可能高達產品銷售價格的22%，這一比例在全球范圍內均為普遍存在。尤其是在動力電池、消費電子等精密產品制造領域，為了確保產品在各種環境和場景下都能達到設計性能，對缺陷和質量的管理要求更為精細和靈活。

因此，傳統的質檢方法已經無法滿足現代制造業的需求，以AI為基礎的視覺缺陷檢測技術逐漸成為制造業的新寵，這種技術以其出色的抗干擾性和魯棒性，在全球制造業中的市場份額逐年增加。相關研究顯示，AI工業質檢年復合增長率達45.6%，選擇交付以AI為主的視覺系統的比例也高達45%。

然而，AI視覺應用在上線前必須準備足夠多的缺陷訓練集，尤其是那些困難案例中的特定缺陷，如電池極柱中的制造缺陷——裂紋及焊洞、半導體中各種錯位姿態、焊點斷裂，以及鏡頭生產中的灰塵、異物等。這些特定缺陷的訓練圖像在生產環境中收集起來既困難又昂貴，成為制約AI質檢模型發展的瓶頸。

缺陷展示

電池極柱中的制造缺陷，如裂紋、焊洞等

半導體中的各種錯位姿態、焊點斷裂等

鏡頭生產中尺寸不一的灰塵、異物等

在這樣的背景下，阿丘科技推出了工業級智能圖像生成軟件AIDG，一款基于Stable Diffusion框架的數據生成平臺，AIDG平臺的出現，為AI質檢模型的訓練提供了一種全新的解決方案。

它可解決AI落地工業檢測的過程中，因圖像數據不足導致的模型訓練及驗證困難、模型指標不佳等問題?？梢曰谡鎸嵢毕莸乃夭?，快速批量生成高仿真度的缺陷圖像，幫助用戶高效獲取AI模型構建及驗證所需的樣本，并提高模型的泛化能力與適應性，降低獲得高質量模型的數據成本。

AIDG產品亮點

01生成樣本真實度高

基于工業缺陷檢測領域多年實踐的預訓練模型+Stable Diffusion框架，可適應復雜結構缺陷、背景變化、缺陷邊緣處理等多樣場景，高度還原真實缺陷紋理、立體度和色彩細節，可直接用于模型開發

02生成方式靈活高效

只需1-5張的真實樣本，支持批量生成、自動生成、參數生成，支持對多個缺陷類型進行組合，保障樣本豐富均衡

03支持缺陷素材沉淀入庫

支持缺陷素材沉淀、遷移復用；提供在線素材庫，內置豐富的行業有效缺陷素材，縮短數據獲取周期，甚至0樣本也可以使用接下來，本文將介紹如何使用AIDG，在四步內利用數據生成提升模型性能和效果，以便更直觀地了解生成式AI的價值。01

第一步：創建局部缺陷素材庫

創建局部缺陷素材庫是AIDG平臺工作的第一步，它將為后續的生成提供重要的參考和依據。素材庫的建立可以通過多種途徑實現，包括歷史素材、真實NG案例以及阿丘科技獨家支持的缺陷樣本。

各類內腔部件異物
各類內腔水印

素材庫的建立，不僅僅是一個簡單的收集過程，它涉及到對歷史數據的深入分析，對真實NG樣本的精確捕捉，以及對阿丘科技獨家技術的運用。通過收集這些真實的缺陷圖像，可以確保生成的數據更加貼近實際生產環境，從而提高模型的泛化能力。

02

第二步：模擬生產環境

有了局部缺陷素材庫之后，接下來需要模擬真實的生產環境。這一步的目的是將符合生產要求的OK圖導入到AIDG中，作為背景為后續的缺陷生成做準備（OK圖是指沒有缺陷的標準產品圖像，這些圖像將作為生成缺陷的基礎背景）。

在模擬生產環境時，需要考慮以下幾個方面：

• 光源條件：不同的生產環境可能有不同的光源條件，如環形光、點光源等，需要確保導入的OK圖能夠在不同光源條件下保持一致的效果。

鏡頭選擇：選擇合適的鏡頭同樣關鍵，不同的鏡頭可能會導致圖像的畸變或失真，影響生成數據的質量。

• 成像系統：確定成像系統的基本效果，包括分辨率、對比度、像素當量等參數，確保生成的圖像能夠真實反映生產環境中的情況。

03

第三步：缺陷多樣性設置

在AIDG中，根據項目需求設置對應的缺陷多樣性策略，算法將根據策略隨機在OK圖上生成不同位置、大小、角度、亮度等條件下的缺陷。這一步的關鍵在于控制生成圖像的數量和每類缺陷的數量，以保證生成的多樣性和均衡性。這種多樣性的設置，使得生成的缺陷數據能夠覆蓋更多的可能情況，從而提高模型的泛化能力和魯棒性。

缺陷多樣性參數設置

具體來說，缺陷多樣性設置可以包括以下幾個方面：

• 缺陷種類：選擇需要生成的缺陷類型，如裂紋、焊洞、錯位姿態等。每種缺陷類型都可以單獨設置生成參數，確保生成的數據能夠全面覆蓋各種缺陷情況。

位置多樣性：設置缺陷在圖像中的位置分布，可以是隨機分布，也可以是特定區域內的集中分布。通過控制缺陷的位置，模擬不同的生產環境和缺陷發生概率。

照明條件：設置不同的照明條件，如不同的光線強度、方向和顏色，以模擬生產環境中可能遇到的各種光照情況，有助于生成的數據在亮度上具備多樣性，解決光源因距離導致的成像效果不統一問題。

大小和角度：設置缺陷的大小和角度，可以生成不同大小和角度的缺陷圖像，增加數據的多樣性。對于重點缺陷，還可通過延長或縮短其長度，確保重點缺陷的不漏檢。

04

第四步：導入到AIDI中進行訓練或迭代

這一步涉及到將AIDG生成的缺陷數據與AIDI的深度學習模型相結合，通過訓練和迭代，提高模型的性能和效果。這個過程不僅能夠減少訓練所需的資源，縮短訓練時間，還能夠解決光源因距離導致的成像效果不統一問題，確保重點缺陷的不漏檢。

裝載生成圖的AIDI界面（生成缺陷自帶標注）

混淆矩陣中訓練效果提升，漏檢的3張圖全部檢出，檢出率提升8%

通過這四步流程，AIDG平臺不僅能夠生成具有多樣性的缺陷數據，還能夠確保這些數據的質量和均衡性，從而提高AI質檢模型的性能和效果。這種基于缺陷生成路徑的質檢新范式，既能夠解決傳統數據收集的困難和昂貴問題，又能夠提供更加精確和高效的解決方案。

目前，阿丘科技正在行業垂直檢測大模型、生成式AI等領域加深行業應用和產品化能力，通用人工智能的發展離不開高質量數據的支持，而數據對于AI來說，是人類對現實世界的理解和認知。生成式AI的路線，將進一步放大這種認知的程度，最終實現以數據為中心的AI驅動范式。

阿丘科技的技術支持團隊提供全套AIDG培訓和各類型項目POC（Proof of Concept），歡迎用戶積極試用，一起加速模型的高效上線。