资讯中心

　　【仪表网 仪表标准】按照中国电子工业标准化技术协会团体标准制修订项目工作安排，标准起草组已完成《面向电子行业的工业AI视觉在线检测系统技术规范》团体标准(项目号：CESA-2022-038)征求意见稿的编制工作。现按照协会《团体标准制修订程序(试行)》的要求，公开征求意见。
 

　　电子信息产业是我国的支柱性产业，是推动我国产业结构转型和优化升级的核心基础产业。当前正处于新一轮科技革命和产业变革的关键突破期，电子信息行业是我国占领未来的科技高地的重点突破口。电子信息行业属于知识、技术密集型行业，具备技术更新迭代快，订单批量大，产品科技含量和附加值高，产品质量和可靠性敏感等特点，对研发能力、生产效率和质量控制能力均提出了较高要求。但当前电子信息企业长期面临着产品质量和生产效率提升困难，市场响应不够敏捷等痛点，且随着我国要素红利逐步消失，对电子信息行业转型发展造成了较大的冲击。
 

　　随着新一代信息技术和电子信息行业深度融合，正推动电子信息行业发生着深刻的变革，为电子信息行业打破当前发展困局提供了有效路径和可行方法。聚焦至AI视觉领域，一方面工业视觉赋能电子产品质量检验。面向 PCBA、晶圆、 封装、面板和整机等主要电子产品，围绕原材料复检、制程质量管控、整机和包 装等生产关键环节，实现包括 PCB 排线顺序和质量检测，焊接、胶合、扣合等制 造缺陷检测，组装错漏反检测，压划碰等外观缺陷检测，封装质量和缺陷检测， 以及标签印刷、LOGO 印刷等包装缺陷检测，有效提升检测精度和检测效率，提 高产品良品率和直通率，大幅度降低人力成本。另一方面，工业视觉辅助制程过 程精准作业。面向 PCB 制造、SMT 贴片、SMD 贴装、晶圆制造等过程，应用工业 视觉进行精确地元件识别与定位放置，设备引导与校准等，实现包括 SMT 原件识 别与放置，SMD 贴装定位，LCD 玻璃定位，切片机引导与校准，晶圆预校准与精 细校准等，提高作业效率与操作精度，进而提高生产效率和降低废品率。
 

　　国内不同行业使用人工智能的准备度有不同，电子及通信设备、家用电器制造、汽车制造、 电力及电气行业准备度较高，主要集中在 AI 视觉检测领域，但尚未形成统一的理论框架和方法，呈现出解决方案多、商用产品少，专有方案多、 通用方案少的问题，仍困扰着当前 AI 应用于智能制造以及平台的长远建设。通过进一步发展基础共性技术、行业通用技术和新技术，开展多方面试验验证，加 速产品和服务的产业化成果转化和规模化应用。
 

　　本文件按照GB/T 1.1—2020《标准化工作导则 第1部分：标准化文件的结构和起草规则》的规定起草。本文件规定了用于电子行业3C类产品(计算机类、通信类和消费类电子产品)的工业视觉在线检测系统的基本架构、功能要求、性能要求及测试方法。本文件适用于电子行业3C类产品在器件错漏反检测、异物检测、工业OCR及外观缺陷检测等场景应用的工业视觉在线检测系统的规划、设计、实施和检测。
 

　　图像采集：
 

　　图像采集的要求包括： a) 图像采集单元应满足一组成像设备抓拍成像或多组成像设备同步抓拍成像；
 

　　b) 图像传输应支持 TCP/IP、FTP、USB、CXP、GIGE、CAMLINKE 等一种或多种传输协议；
 

　　c) 图像成像像素应支持 30 万、130 万、200 万、500 万、1200 万、2500 万、2900 万、3100 万、 5000 万、6500 万、15000 万等一种或多种分辨率，图像成像像素宜能设置；
 

　　d) 图像成像编码格式应支持 Bayer8、RGB、BMP、PNG、RGB-D、YUV、Mono 8/10/12 等一种或多种格式；
 

　　e) 图像成像文件格式应支持 jpeg、tiff 等一种或多种格式；
 

　　f) 图像成像应支持 1 位、8 位、16 位、24 位、32位等；
 

　　g) 图像帧率应满足业务应用需求，支持20FPS以上；
 

　　h) 宜支持对图片根据检测要求进行抠图、拼接、缩放及配准等编辑操作；
 

　　i) 宜支持图像位置预处理：配准矫正、旋转等；
 

　　j) 宜支持图像的 ROI(Region of Interest)功能；
 

　　k) 宜支持图像增强处理：光照预处理、对比度增强等。
 

　　AI 服务：
 

　　AI服务的要求包括： a) 应支持根据质检场景建立流程任务，包括数据接入、数据处理、模型训练、模型验证、模型部署等；
 

　　b) 应支持提供标准化推理交互接口，与工位模块推理请求和返回结果交互；
 

　　c) 宜支持图像质量检测与筛选功能，支持滤除无法正常识别的低质量图像，支持图像增强和图像修复；
 

　　d) 宜具备目标定位、图像识别、实例分割等功能；
 

　　e) 宜支持小样本训练，模型部署后能够对未采集分析的场景图像进行再训练，提高模型识别精确率。
 

　　运维管理：
 

　　运维管理的要求包括：a) 应支持根据质检场景，进行推理服务部署和资源配置；
 

　　b) 应支持数据输出功能，将推理结构化数据、压缩图片等处理结果输出；
 

　　c) 应支持对 AI 推理的服务性能进行评测和监控，如检测速度、资源开销等；
 

　　d) 应具备统管算法、建模和训练功能，与边侧协同完成数据标注、边缘推理和边缘部署；
 

　　e) 应具备多算法管理功能，能根据场景业务需求快速部署算法；
 

　　f) 应具备模型可靠性评估和增强功能，通过如模型故障注入等失效模拟机制，在训练过程中增强 模型的可靠性；
 

　　g) 应具备对抗训练框架，支持对抗攻击防御效果评估及增强，实现 AI 模型的鲁棒性评估和增强； h) 宜支持边云协同，例如，在边缘部署的推理子系统，与云端部署的训练、管理、存储等子系统 通过网络进行协同。
 

　　i) 宜支持对 AI 模型构建过程的可追溯； j) 宜支持模型的可解释性，如特征重要度等。
 

　　数据存储：
 

　　数据存储的要求包括：a) 应支持原始图片、标注数据、数据集、推理结果等保存，包含结构化数据、通过/不通过结果 等；b) 应支持镜像、算法、模型等文件的保存；c) 应支持软件运行日志、审计日志保存等。(更多详情请见附件)