物体检测的任务是找出图像或视频中的感兴趣物体，同时检测出它们的位置和大小，这是机器视觉领域的核心问题之一。

随着工业自动化的蓬勃发展，很多制造商在产品的生产过程中，总会出现一些瑕疵，不良，畸形，贴合偏差等。有时人工无法达到要求的精度时，运用机器视觉系统的定位/对准/对位，能顺利完成高精度的制造工序。但是，在物体检测过程中也有很多不确定因素，如图像中物体数量不确定，物体有不同的外观、形状、姿态，加之物体成像时会有光照、遮挡等因素的干扰，导致检测算法有一定的难度。检测如果存在精度问题，就会导致不良品的产生，检测及控制一旦存在时滞，也就会降低生产性。如何实现快速准确定位，成为生产工序高效化不可或缺的手段。矩视智能低代码平台融合深度学习算法，2D/3D视觉，SaaS工具和aPaaS模块化组件。完成图像采集、图像标注、算法开发、算法封装、应用集成的完整开发工具链，无需编程，支持深度学习模型训练闭环，将开发效率提升10倍以上，颠覆了传统的项目定制开发模式，满足不同业务场景下的差异化需求，助力产业智能化升级。

目标定位模块概述

主要用于对图片中不同类别、位置的对象进行定位和分类，以及对图片中不同缺陷特征的定位和检测。常用于对多种工件进行分类、定位、计数，对同一工件中多种缺陷特征定位、分类等，是应用最广泛的缺陷检测工具。特点：✅ 训练速度和推理速度快，经过深度学习训练，可解决平移、旋转、缩放和光线等影响。✅ 支持图像中多个目标同时检测，给出所有被识别目标的位置和定义✅ 标注工具矩形图形式，灵活、便捷。应用场景：❇ 不规则形状目标检测❇ 小目标检测

案例解析：连接器缺陷检测

● 检测需求

对连接器表面缺陷进行检测，Pin针数量分布25×2，需要检测Pin针有无偏斜、变形。

●检测难点

Pin针数量多、缺陷形态多变、检测区域背景复杂。

●解决方案

利用矩视智能的目标定位功能，构建基于深度学习的连接器缺陷识别模型，提供非接触式检测，精确地呈现连接器Pin针的变形、偏斜等重要信息，及时发现连接器缺陷，有效剔除不合格产品。

●具体步骤

1. 创建“目标定位”项目

2. 上传图片

根据上传图片，对给出缺陷进行了归纳分类并打标签处理，针对不同的缺陷类别检测需求给出了相应的AI处理方案；

3. 标注

使用标注工具，将缺陷类型根据标签进行标注；

4. 模型训练

使用矩视智能低代码平台中【训练】和【测试】功能模块，进入深度学习阶段，实现检测需求。

5. 模型验证

01

使用前VS使用后

第1排第5个向右偏斜

02

使用前VS使用后

第1排第11个向下轻微偏斜

03

使用前VS使用后

第1排右数第5个向左下方偏斜

04

使用前VS使用后

第1排第9个向上偏斜第2排第8、9个向上偏斜

05

使用前VS使用后

第2排倒数第1个向左上方偏斜

06

使用前VS使用后

第1排第13个向上方偏斜第2排第13个向上方偏斜

●最终效果使用矩视智能低代码平台之前缺陷识别率低，容易误识别。使用矩视智能低代码平台目标定位算法测试后达到了技术要求，缺陷检出率和准确率都能达到99%以上。在连接器应用中，矩视智能使用Ai深度学习算法，有效解决大部分缺陷检测需求，缓解人工质检存在的种种问题，为客户提高产品质检效能，得到了客户极大认可。