基于AI深度学习算法的Proxima外观检测智能软件
在产品质量和外观检查的世界中，人眼只能分辨出大小大于0.5毫米的那些缺陷，并且存在很大的误判风险。随着工作时间的增加，眼睛疲劳和衰老会增加误判的风险。但是，传统的机器视觉检测缺乏图像处理和缺陷定位的功能，导致缺陷检测的准确性低，性能不稳定，流水线很难实现智能自动检测。可以看出，传统机器视觉检查和“裸眼”检查产品外观质量的能力和效率，准确性和范围都非常有限。
深度学习的思想源于``人工神经网络''，从大脑中汲取灵感，模拟人脑对问题的分析机制，并建立了用于分析和学习的神经网络。神经网络的基本构建模块是模仿人脑神经元的人工神经元。正如大脑中数十亿个神经元分布在神经网络的多个层中，并且它们之间有成千上万的连接一样，深度学习模型涉及大量的计算单元。当它们彼此交互时，建模数据的潜在分布要大得多。自主学习的层表示。
为了满足对高效率和高标准探伤的日益严格的要求，Sirui Measurement推出了基于深度学习的Proxima探伤软件系统，以解决客户在产品表面探伤过程中遇到的各种问题。
Proxima可以检测到的主要缺陷类型为：
划痕，刀痕，碎裂，气泡，隆起，凹痕，划痕，杂质，变形，碎裂，白点，条纹，黑点，收缩，波纹，裂缝
Proxima软件功能：
快速培训和准确的结果
在训练过程中，Proxima通过卷积神经网络，循环神经网络，深度神经网络，长期和短期记忆网络等多层神经网络层有效地训练学习模型并优化训练速度。因此，Proxima的智能缺陷检测率高达95％，并且具有灵活的多功能可扩展性。
性能稳定，效率高
在学习过程中，Proxima通过评估提取目标，特征分析和分类模型的迭代来优化检测的稳定性和效率。 Proxima将图像处理，特征识别，各种深度学习建模和其他高科技集成在一起，这使得Proxima的图像特征识别能力和稳定性是其他机器视觉检查系统无法比拟的。
培训模式，方法多样智能检具，应用广泛
Proxima可以基于对训练集的评估来生成最佳适用和高效的学习模型。 Proxima通过切换各种自行开发的机器学习模型来使培训高效且稳定地输出结果。目前，Proxima已广泛参与3C行业（电子，通信和消费产品）的缺陷检测。在汽车工业中智能检具，航空零件和组件也是Proxima竞赛的领域。
结果快速直观地输出
Proxima的结果报告输出非常快。结果报告不仅包含缺陷的位置，形状，大小和分类，还包含统计信息。用户可以直接打开报告并快速预览报告。
操作简单易用
Proxima研发团队在软件操作和界面设计方面遵循简单易用的设计理念，因此大多数用户无需复杂的培训即可上手。 Proxima的软件界面遵循Microsoft Office的标准设计。在操作过程中只需执行“标记，培训和测试”三个步骤即可产生结果。
内置高级算法，适用性强
Proxima支持各种高级图像预处理算法，卷积神经模型和其他机器学习模型以及结果的统计分析。 Proxima可以通过标准网络电缆传输TCP / IP协议和其他制造商的测量设备（例如X射线照片）以进行缺陷检测。
与其他传统缺陷检测方法不同，Proxima缺陷检测系统仅需要少量缺陷图像即可在短时间内进行大规模训练。此外，GPU特殊处理算法被用来大大提高检测效率，基于深度学习的检测算法可以提高检测准确率，并降低漏检率和过杀率。
不仅发现瑕疵...
Proxima将软件缺陷检测和尺寸检测结合在一起，既解决了用户的缺陷需求，又解决了用户的尺寸检测需求。这种功能可以说是用一块石头杀死两只鸟，减少了很多时间和投资成本，提高了产品质量并提高了产量。
Proxima的优势
Proxima专注于产品外观缺陷的检测。与手动视觉检查和传统机器视觉检查相比，这双智能眼具有以下无与伦比的优势：
图像分析
手动检测/传统机器视觉：无法分析不规则图像
Proxima：使用深度学习算法来学习，提取和分析缺陷，并且可以分析不规则图像
准确率：
手动检测/传统机器视觉：手动和传统机器的准确率均较低，并且容易产生误判
Proxima：通过深度学习算法，高级图像处理，模式识别等，检测精度已提高到95％
自动化：
手动检查/传统机器视觉：在装配线上自动检查围栏的高度
Proxima：在检测缺陷的同时，可以在线实现尺寸检测，并实现缺陷+尺寸检测自动化
