开始制造业深度学习项目 — 第一部分：规划

深度学习在此类场景中会有所帮助，但成功实施和最终结果取决于事先是否采取了必要的步骤。通常，深度学习项目包含四个步骤：规划、数据收集和真值标记、优化和工厂验收测试。在这里，我们来看看第一步（即规划阶段）都包含哪些内容。

组建团队，确定目标

如果公司决定实施深度学习解决方案，则必须组建由不同利益相关者组成的团队，以审视当前流程，定义新的目标，并确定深度学习是否有助于实现这些目标。该团队应由工厂管理层、自动化部门、质量保证部门以及系统集成商/机器制造商组成。目标必须明确定义、一致，并且得到团队中每个人的共同认可。这些目标可能包括减少有缺陷/不可接受的产品流出（漏报），通过减少废料（误报）或有缺陷/不可接受的产品或部件来控制成本，或者提供超出合格与合格判断的额外缺陷分类能力。

如果协作团队决定向前推进，其中一步是确定“灯塔”项目，以便向管理层证明支出资源的合理性。该项目不应包含不切实际的目标。这应当是一个既不太容易也不太困难的项目，而且能够带来切实的回报，让管理层明白未来深度学习的部署或许是可行的。

选择项目，继续推进

对于某些制造商而言，现有的机器视觉解决方案可能会产生过多的漏报或误报，或者由于产品种类过多或环境变化，系统可能不再运行良好。例如，在汽车电子产品检测领域，基于规则的系统在处理端子点焊应用时可能会遇到问题。

端子点焊会生成多种焊接类型——包括发夹型、线对焊盘型和线对线型，这些焊点会形成具有反光表面的微变 3D 金属投影。当机器视觉系统捕获端子点焊图像时，即使部件处于最佳状态，图像中通常也会出现反射、阴影、有色区域和表面纹理。这些影响通常与实际缺陷（如裂纹、划痕、灼伤以及焊缝过多或过少）类似。这些自然变化给传统机器视觉系统带来了问题，因为这些系统无法可靠地检测焊缝，也无法区分合格部件与不合格部件。

基于深度学习的检测系统根据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与不合格部件，甚至识别出有缺陷产品中的问题类型。凭借这些功能，深度学习软件为人工检测和电气测试提供了可行的替代方案，并在基于规则的算法无法发挥作用的地方大显身手。

在本博客系列的第二部分，我们将了解数据收集和真值。阅读第 3 部分，了解 优化深度学习部署 和第 4 部分 工厂验收测试。