【仪酷LabVIEW AI工具包案例】使用LabVIEW AI工具包+YOLOv5实现工业产品的瑕疵检测与瑕疵点定位

‍‍🏡博客主页： virobotics(仪酷智能)：LabVIEW深度学习、人工智能博主
🎄所属专栏：『仪酷LabVIEW AI工具包案例』
📑上期文章：『【仪酷LabVIEW AI工具包案例】使用LabVIEW AI工具包+YOLOv5结合Dobot机械臂实现智能垃圾分类』
🍻本文由virobotics(仪酷智能)原创

🥳欢迎大家关注✌点赞👍收藏⭐留言📝订阅专栏

文章目录

🧩前言

Hello，大家好，我是你们的virobotics（仪酷智能），一个深耕于LabVIEW和人工智能领域的开发工程师。

之前很多朋友私信博主，希望可以写一些LabVIEW AI的应用案例，所以博主创建了一个新专栏【仪酷LabVIEW AI工具包案例】，之后，将会不定期在该专栏中更新汇集最新的AI工具包实践案例包括但不限于：工业瑕疵检测、文字识别、物品抓取分拣等创新应用，各位也可订阅此专栏，以便及时接收更新~

本文主要讲解如何用LabVIEW结合yolo算法实现产品的瑕疵检测与瑕疵点定位的功能，解决传统机器视觉无法检测复杂环境及多类瑕疵共同识别的问题。

🧭一、什么是瑕疵检测

瑕疵检测是指在生产制造过程中，通过各种技术手段对产品进行检查和评估，以发现存在的缺陷或不符合标准的部位。通常的瑕疵检测主要有人工视觉检测和机器视觉检测，人工视觉检测由操作人员使用肉眼或借助放大镜等工具进行检查，这种方法适用于简单的检测任务，但效率较低，且易受人为因素影响，如在对电路板焊接不当，导致的漏焊、多焊、短路、断路等现象，又由于电路板的复杂，人工肉眼未能及时发现。机器视觉检测是利用摄像头和图像处理算法自动识别产品表面的缺陷，如裂纹、划痕、污点等，通过深度学习的算法可以及时发现瑕疵并及时修正。

在这里插入图片描述

⚙️二、瑕疵检测系统的介绍

物品瑕疵的检测和定位流程主要包括瑕疵点的标注、训练以及推理部署，本文介绍的瑕疵检测系统主要是基于仪酷智能LabVIEW AI视觉工具包，一键标注训练工具包以及推理工具包（LabVIEW ONNX 工具包）。将采集到的图片数据集通过标注工具完成标注，使用训练工具完成训练并将模型导出，之后使用推理工具包导入已经训练好的模型实现瑕疵检测功能。整个系统流程大致如下：

在这里插入图片描述
下面将详细介绍整个系统的检测流程。

⚒️三、LabVIEW工具包的介绍和使用

3.1 仪酷AI工具包

在labview上安装AI工具包，可以调用USB或者网络摄像头，并将采集的图像经过算法模块实现目标检测、语义分割、图像分类、文字识别、人脸识别等任务。本次项目中，我们使用的是AI视觉工具包以及推理工具包：LabVIEW ONNX工具包。
在这里插入图片描述

3.2 仪酷一键标注训练工具包

安装仪酷的一键标注训练工具包，可以快速的对检测区域进行标注和训练，并生成我们AI推理工具包需要调用的onnx模型。
在这里插入图片描述

                        图1 一键标注工具

在这里插入图片描述

                       图2 一键训练工具

💻️四、环境搭建

部署本项目时所用环境

操作系统：Windows 64
LabVIEW：2018及以上 64位版本
AI视觉工具包（techforce_lib_opencv_cpu）：1.0.1.26及以上版本
ONNX工具包GPU版（virobotics_lib_onnx_cuda_tensorrt）1.0.0.16及以上版本
仪酷Object Detection工具包（virobotics_lib_object_detection）：1.0.0.5及以上版本

软件下载及安装

AI视觉工具包下载与安装参考： https://blog.csdn.net/virobotics/article/details/123656523
ONNX工具包GPU版下载与安装参考： https://blog.csdn.net/virobotics/article/details/124998746
LabVIEW Object_Detection工具包下载与安装 https://blog.csdn.net/virobotics/article/details/132529219

🎨五、项目实践

5.1 图片采集

本文所用数据集为北京大学发布的公开数据集

在这里插入图片描述
建议采集的图片命名时最好是英文+数字的形式

5.2 数据标注

加载数据集，并进行标注。
在这里插入图片描述

在这里插入图片描述
所有图片标注完成之后，就可以开始模型训练了。

5.3 模型训练

加载训练数据集并进行训练，训练结束后会自动生成onnx模型用来推理检测。
在这里插入图片描述

5.4 推理识别

在这里插入图片描述
整个推理检测的系统源码如下：

整个检测系统的运行效果可在B站搜索：LabVIEW+仪酷智能AI工具包+YOLOv5实现工业产品的瑕疵检测与瑕疵点定位进行观看学习。

🪜项目源码

如需源码，请在一键三连并订阅本专栏后评论区留下邮箱

🎯总结

以上就是今天要给大家分享的内容，希望对大家有用。如有笔误，还请各位及时指正。后续我们将为大家更新更多关于AI模型在LabVIEW的部署案例，欢迎大家关注博主。我是virobotics（仪酷智能），我们下篇文章见~

如您想要探讨更多关于LabVIEW与人工智能技术，欢迎加入我们的技术交流群：705637299。进群请备注：CSDN

更多内容可查看：

微信公众号：仪酷智能科技
B站：仪酷智能

如果文章对你有帮助，欢迎✌关注、👍点赞、✌收藏、👍订阅专栏

推荐阅读

【YOLOv5】LabVIEW+TensorRT的yolov5部署实战（含源码））
【YOLOv5】手把手教你使用LabVIEW ONNX Runtime部署 TensorRT加速，实现YOLOv5实时物体识别（含源码）
【YOLOv8】实战一：手把手教你使用YOLOv8实现实时目标检测
【YOLOv8】实战二：YOLOv8 OpenVINO2022版 windows部署实战
【YOLOv8】实战三：基于LabVIEW TensorRT部署YOLOv8
【YOLOv9】实战一：在 Windows 上使用LabVIEW OpenVINO工具包部署YOLOv9实现实时目标检测（含源码）
【YOLOv9】实战二：手把手教你使用TensorRT实现YOLOv9实时目标检测（含源码）
👇技术交流 · 一起学习 · 咨询分享，请联系👇

标签： labview 人工智能 YOLO

本文转载自: https://blog.csdn.net/virobotics/article/details/139925851
版权归原作者 virobotics 所有，如有侵权，请联系我们删除。