【华北电力大学（王玥瑶）】华北电力大学（王玥瑶）：2024多交易模式下混合式抽水蓄能电站优化调控策略报告_23页_22mb

大模型时代的工业质检方法论总结

核心内容

随着人工智能技术的发展，工业质检正经历从传统方法向基于大模型的智能化转型。腾讯云工业质检产品负责人王刚在2024年会议中分享了工业AI质检方法论，强调通过视觉AI算法、高效学习方法和通用视觉模型的结合，实现工业制造的提质、降本、增效目标。

主要观点

1. 工业AI质检的目标

• 品质保障：通过检测、分类、分割、量化等能力，判断产品是否为良品。
• 生产工艺改良：基于检测结果反馈，优化生产工艺，提升产品一致性。
• AI技术优势：标准恒定，可提升检测效率与质量，降低成本。

2. 质检通用大模型（MLLM）的构建

• MLLM支持任意模态提示的下游应用，包括语言/图像提示问答、文字生成、图片生成等。
• MLLM采用LPM（Large Perception Model）架构，基于纯Transformer生成式大模型，具备更强的泛化性和感知能力。
• 模型统一输入和输出范式，可理解不同自然语言指令，解耦分类、检测、分割任务，实现并行输出。

3. 质检通用大模型的优势

• 小样本/零样本：仅需少量样本即可快速训练和部署模型。
• 快速换型：支持不同产品型号和场景下的快速模型调优。
• 快速应用：提升模型迭代效率，缩短交付周期。

4. 工业AI质检的三个应用场景

• 3C行业：如手机、电脑等电子产品外观检测。
• 锂电池制造：电池外观缺陷识别。
• 金属包装：如罐体、瓶盖等金属制品的表面缺陷检测。

5. 工业AI质检的实践与挑战

• 常规项目：通过数百张图片实现模型训练，满足基本质检需求。
• 高难度项目：需要数万张图片进行模型迭代，以达到高精度要求。
• 快速迭代项目：仅需数张图片即可完成模型训练，适用于OK图特征稳定的场景。

关键信息

技术模块

• 成像算法：多图融合、图像对齐、光度立体、图像质量评价。
• 基础视觉算法：图像分类、目标检测、语义分割、实例分割。
• 高效视觉学习方法：自监督、半监督、弱监督、小样本学习、域迁移、带噪学习。
• 通用视觉模型：缺陷生成、大模型能力、模型微调/增量学习、轻量化部署。

一体化方案

• AI质检系统由光、机、电、软、算五大模块构成，腾讯云专注于软件和算法部分，硬件由合作伙伴提供。
• 支持从数据采集、标注、训练、封装、部署的全链路解决方案。

标准化产品

• 腾讯云TIAOI工业质检平台：提供训练端与运营端，训练端构建高精度模型并输出SDK，运营端部署在产线进行高性能推理与运维。

行业影响力

• 腾讯云工业AI质检入选工信部《大数据融合创新赋能新型工业化优秀案例集（2022）》，成为唯一入选的互联网企业案例。
• 腾讯云在2022年AI工业质检解决方案市场份额中，同比增长35.7%，在3C行业市场份额第一。

生态合作

• 腾讯云携手生态合作伙伴，打造多个细分领域的标准硬件，推动行业标准化发展。

质检通用大模型（MLLM）的实践示例

• 文本Prompt：通过自然语言描述缺陷标准，实现自动判定。
• 图像Prompt：结合目标区域与缺陷参考图，提高检测精度。
• 快速迭代：通过弱标注或无标注数据，在短时间内完成模型训练与部署。

前沿研究方向

腾讯工业AI团队近三年在质检相关领域发表了100余篇计算机视觉会议论文，涵盖成像算法、基础视觉学习方法和通用视觉模型能力等多个方向，包括：

• 成像算法：如频率一致恢复、雾霾视频恢复、颜色记忆辅助Transformer等。
• 基础视觉学习方法：如序列到序列语义分割、少样本学习、域不变表示学习等。
• 通用视觉模型能力：如弱监督开放词汇目标检测、软CLIP等。

行业发展趋势

• 从全监督到少/无监督：在数据量有限的情况下，通过高效学习方法实现模型快速迁移与迭代。
• 多模态通用模型：融合文本与图像信息，提升模型的泛化能力和实际应用效果。
• 标准化与规模化：推动工业质检标准建设，提升行业整体技术水平。

结语

腾讯云工业AI质检通过构建大模型时代的质检方法论，实现了从数据采集到模型部署的全流程覆盖，助力制造业实现高端化、数字化和绿色化发展。同时，通过与生态伙伴合作，推动行业标准建设，提升产品竞争力，为产业发展注入新动力。