开始一个制造业的深度学习项目 – 第 1 部分：计划
许多制造公司转向深度学习软件，以弥补他们现有检测系统或规则式算法的不足。例如，当一个产品本身或一个零件的潜在缺陷数量在不同的组件之间有很大差异时，系统可能会努力以编程方式将零件定义为合格或不合格。
深度学习软件可以在这种情况下提供帮助，但成功的实施和最终结果取决于前期采取的必要步骤。通常情况下，深度学习项目涉及四个步骤：计划、数据收集和真值贴标、优化和工厂验收测试。在这里，我们介绍第 1 步，即计划阶段的内容。
召集团队，确定目标
如果一个公司决定部署深度学习解决方案，公司必须组建一个由不同利益相关者组成的团队来审视当前的流程，定义新的目标，并确定深度学习是否可以帮助实现这些目标。这个团队应该由工厂管理、自动化、QA 和一个系统集成商/机器制造商组成。目标必须是明确的、一致的，并且由团队中的每个人共同商定。目标可能包括减少缺陷/不可接受的产品漏杀（漏检），通过减少废品（过检）或缺陷/不可接受的产品或零件来控制成本，或在合格与不合格的判断之外提供额外的缺陷分类能力。
如果合作团队决定继续前进，其中一个步骤是确定一个“灯塔”项目，以此向管理层证明资源支出的合理性。这个项目不应涉及不现实的目标。这应该是一个不太容易或太难的项目，而且能够产生稳定的回报，让管理层知道未来的深度学习部署可能是可行的。
选择一个项目，继续前进
对于一些制造商来说，现有的机器视觉解决方案可能已经产生了太多的假负或假正情况，或者系统可能由于太多的产品变化或环境变化而停止工作。例如，在汽车电子检测中，终端点焊应用会给基于规则的系统带来问题。
终端点焊会产生各种各样的焊接类型—包括发卡、线对垫和线对线—这些焊接类型都会产生一个带有反射面的、略有差异的三维金属斜面。当机器视觉系统捕捉终端点焊图像时，这些图像往往包含反射、阴影、彩色区域和表面纹理，即使是最佳部件也不例外。这些效果往往类似于实际缺陷，如裂缝、挂擦、烧毁、以及过度或缺失焊接。这些自然差异给传统的机器视觉系统带来了问题，因为其无法可靠地检测焊接情况和区分合格和不合格零件。
基于深度学习的软件给予存在自然差异的点焊正确的“合格”分级
基于深度学习的软件给予存在点蚀、尺寸不足和尺寸过大缺陷的点焊正确的“不合格”分级
基于深度学习的检测系统是使用由内部专家评估和标记的数据集进行训练。这有助于软件区分合格和不合格的零件，甚至识别缺陷产品中的问题类型。有了这样的能力，深度学习软件就能提供替代人工检测和电气测试的可行方案，并弥补规则算法的不足。
在第 2 部分中，我们将介绍数据收集和真值。
