凌云光研發總監唐永亮博士受邀出席“工業智能基礎理論與關鍵技術”專題論壇，并作了題為《面向智能制造場景的深度學習》的精彩報告，對新發布的F.Brain工業質檢場景的深度學習平臺及其競爭優勢做了詳細介紹。

自2012年以來，以深度學習為主的人工智能技術在工業應用場景得到了廣泛應用與再創新，推動了傳統工業質檢向人工智能時代邁進。但隨著深度學習在工業質檢領域的應用逐漸深入，通用的深度學習算法、框架、平臺逐漸不能滿足工業場景的實際應用要求，面臨著缺陷樣本少、精度要求高和效能要求高等諸多挑戰。

此次發布的F.Brain（Fabrication & Factory Brain，工廠大腦、制造大腦）深度學習平臺，是基于凌云光多年在工業領域的經驗積累，專為工業質檢場景自主研發的深度學習平臺。針對工業質檢場景碎片化、快交付、高迭代、低要求等特點，專門研發了多種算法，實現淺、弱和小缺陷的像素級檢測，通過輕量化、流程化模型設計實現快速部署，通過數據增強、模型預訓練和元學習等，解決NG缺陷有限、訓練樣本較少的“冷啟動場景”。

專為工業質檢而生的深度學習平臺

01、應用全流程標準化、平臺化大幅縮短交付周期

I、數據平臺：能與生產設備實現互聯互通，負責實際工業應用場景的數據采集、傳輸、管理、標注、審核等工作。

II、訓練平臺：最大的優勢是支持云端和單機版的工業場景深度學習模型訓練；內部支持上百種深度學習模型，覆蓋主流通用檢測模型，目前已演化成具有多模型的AI算法商城。

III、推理平臺：面向服務端和邊緣端的部署推理平臺，快速實現工業場景“云邊端”側深度學習模型的量化、部署、下發等。

通過以上三個子平臺，能高效地實現深度學習應用全流程的標準化、平臺化，滿足快速交付的要求。

02、應用數據流程閉環省時高效

F.Brain具備項目管理、模型管理、發布數據集管理等以上六大管理模塊，能將三大子功能平臺無縫串接，實現深度學習每一步應用流程的串聯，覆蓋深度學習應用的整個數據流程閉環。

03、輕量化、流程化模型設計實現快速部署

唐永亮還對F.Brain深度學習平臺在版本管理、缺陷標注、云+本地部署、模型剪枝等八大特性作了詳細介紹，與現有的深度學習平臺相比，F.Brain的應用場景更加垂直聚焦于工業領域，通過流程化和輕量化的模型設計實現深度學習應用在工業場景的快速批量復制落地。

面對鋰電行業智能制造新需求，凌云光憑借多年的研發積累及整體解決方案能力已為鋰電行業提供了一系列“機器視覺+AI”檢測解決方案，全方位助力新能源行業智能制造發展。
F.Brain平臺為凌云光新能源產品線提供的鋰電極片解決方案，目前平臺缺陷樣本庫數據量達到20萬+，檢測準確率高達98.5％，能有效檢出裂紋、硌紋、凹坑、掉粉、黑點、白點等缺陷，并對其進行分級，實現對工藝的精細化追溯。

對于要求更加嚴格的鋰電電芯外觀檢測，目前平臺積累的缺陷樣本數量達到10萬+，檢測準確率高達99.5％，能對鋰電電芯的防爆閥、極柱、藍膜和鋁殼等的外觀缺陷進行有效的檢測、分類和分級，助力鋰電企業實現零缺陷出貨。

近年來，新能源汽車產業快速發展，在動力電池大規模制造現狀下，電池企業對工業視覺檢測精度、檢測速度、缺陷分析等方面要求將更加嚴格。面對此行業發展趨勢，凌云光會持續加大“機器視覺+AI”在鋰電全工序檢測的研發投入，深刻理解鋰電檢測的新需求，助力電池企業向智能工廠全面轉型。