企业名称：菲特（天津）检测技术有限公司

联系人：刘瑞芳

职务：知识产权工程师

手机：13312198798

企业简介：

菲特天津检测技术有限公司成立于2013年，公司以为工业制造提供智能化解决方案为使命，结合多种技术的相互融合和作用，并以工业KNOW-HOW为基础，实现工业大数据的智能化应用，为工业制造领域不断提升成本效益增加产业收益提供软件+硬件的系统化方案。核心团队由来自中航集团、汽车行业前十企业等国内外知名企业的专家构成。目前总部在天津，同时在上海、广州、重庆、长春设有办公地点。菲特将光学技术、人工智能应用层、人机交互等前沿科技的深度研究作为发展的基础，同时注重工业知识库的建设和完善，致力于为传统制造企业的转型升级提供专业化、平台化、系统化的解决方案。目前菲特已拥有全国首台套四套、专利及知识产权110项，荣获国家级高新企业、国家重点专精特新小巨人、全国创新创业大赛二等奖、天津市瞪羚企业等诸多殊荣。

产品名称（解决方案名称）：电极帽检测

产品简介（解决方案简介）：

当前，国内多数工业企业已经跨越装备自动化阶段，正在从流程数字化向智能制造转型。质检是智能制造中非常重要的一环。如果想使用传统的目标检测方法，往往带来项目周期长，检出精度不尽如人意以及成本过高、浪费等问题。这个时候就是异常检测登场的时机，异常检测以其无需缺陷件，无需标注信息，能应对可能出现的未知缺陷等优势，成为了工业质检中的一股强大的新兴力量。基于嵌入的异常检测算法在目前工业质检领域则具有相对更具有实用价值的表现。所谓的基于嵌入的方法指的是：将图像送入已经与训练好的目标检测模型，提取图像种的深层语义特征，并在特征空间中构造分界面或者评分规则。这类方法与上文谈到的重构方法的主要不同在于，其不在RGB图像空间而是在高维的特征空间中进行异常检测。这一类算法使用在其他数据集上事先训练好的的神经网络模型，从正常样本图像中抽取出对应的高维特征，在检测时，计算待检测图片和正常样品图片特征之间的向量距离，根据这一距离和事先划定好的距离来判断图像上是否有异常，若有异常那么异常又属于待检测图像的具体哪个部分。这一类别异常检测算法，虽然理论相对简单，但开拓了一个异常检测的研究方向，而且相对于之前其他异常检测方法，对于异常定位的效果却异常的好，更加贴合工业质检的需求。

此类方法首先使用在ImageNet数据集中训练的RCNN网络抽取出所有正常样本的特征，构建特征库。在检测时，使用同样的网络提取待测试图像的特征，通过K聚类方法找出特征库中和测试图像特征最近的K个正常特征，计算它们之间的距离，通过距离判断图像是否为异常。若待测试图像被判定为异常图像则进入下一步异常定位工作，即找出图像中属于异常部分的像素。和上一步相似，都是要使用RCNN网络所提取的特征进行像素级的KNN距离计算。区别在于，像素级的异常检测是抽取RCNN第1，2，3层的特征向量，将三层特征向量通过向量的变形、广播进行结合，获取一个能反映图像不同维度特征信息的新的特征向量，使用这个新的特征向量构建特征库。通过这一特征库，计算出测试图片每一个像素上的异常得分，将异常得分和预先设定的阈值比较大小即可完成像素级的异常定位工作。算法方法简单，效果好，使用预训练模型抽取特征构建特征库也免去了模型训练的烦恼。但由于此类算法的检测时间复杂度和正常样本数量线性相关，投入了越多的训练集，构建的特征库越庞大，检测所消耗的时间越久。总而言之，过久的检测时间导致此算法在实际项目上的应用价值有限。在构建特征库的基础上，学界又进行了更加深入的研究，通过各种方式在特征提取方面不断尝试。在构建特征库时，仅使用特征集的核心集来当作特征库，缩减了特征库的尺寸，在检测精度略有提升的情况下，大幅度缩短了检测时间，图片的检出速度接近30张每秒，能够满足绝大多数工业件的生产节拍，在工业质检领域已经具备了较高的实际使用价值。由菲特自主研发的电极帽检测系列产品就是异常检测算法在工业质检领域的一次成功应用。菲特电极帽检测系统可进行焊接电极帽工作区表面缺陷检测。通过分析图像数据来改善电极帽焊接质量，避免后续出现的潜在质量风险；提高电极帽利用率，节约材料成本。通过视觉检测设备搭载算法，与焊接机器人联动，电极帽研磨完毕，自动进行缺陷检测，设备运行全过程无需人工参与，检测稳定性及一致性远高于人工目视检测方法。