凌云光研发总监唐永亮博士受邀出席“工业智能基础理论与关键技术”专题论坛，并作了题为《面向智能制造场景的深度学习》的精彩报告，对新发布的F.Brain工业质检场景的深度学习平台及其竞争优势做了详细介绍。

自2012年以来，以深度学习为主的人工智能技术在工业应用场景得到了广泛应用与再创新，推动了传统工业质检向人工智能时代迈进。但随着深度学习在工业质检领域的应用逐渐深入，通用的深度学习算法、框架、平台逐渐不能满足工业场景的实际应用要求，面临着缺陷样本少、精度要求高和效能要求高等诸多挑战。

此次发布的F.Brain（Fabrication & Factory Brain，工厂大脑、制造大脑）深度学习平台，是基于凌云光多年在工业领域的经验积累，专为工业质检场景自主研发的深度学习平台。针对工业质检场景碎片化、快交付、高迭代、低要求等特点，专门研发了多种算法，实现浅、弱和小缺陷的像素级检测，通过轻量化、流程化模型设计实现快速部署，通过数据增强、模型预训练和元学习等，解决NG缺陷有限、训练样本较少的“冷启动场景”。

专为工业质检而生的深度学习平台

01、应用全流程标准化、平台化大幅缩短交付周期

I、数据平台：能与生产设备实现互联互通，负责实际工业应用场景的数据采集、传输、管理、标注、审核等工作。

II、训练平台：最大的优势是支持云端和单机版的工业场景深度学习模型训练；内部支持上百种深度学习模型，覆盖主流通用检测模型，目前已演化成具有多模型的AI算法商城。

III、推理平台：面向服务端和边缘端的部署推理平台，快速实现工业场景“云边端”侧深度学习模型的量化、部署、下发等。

通过以上三个子平台，能高效地实现深度学习应用全流程的标准化、平台化，满足快速交付的要求。

02、应用数据流程闭环省时高效

F.Brain具备项目管理、模型管理、发布数据集管理等以上六大管理模块，能将三大子功能平台无缝串接，实现深度学习每一步应用流程的串联，覆盖深度学习应用的整个数据流程闭环。

03、轻量化、流程化模型设计实现快速部署

唐永亮还对F.Brain深度学习平台在版本管理、缺陷标注、云+本地部署、模型剪枝等八大特性作了详细介绍，与现有的深度学习平台相比，F.Brain的应用场景更加垂直聚焦于工业领域，通过流程化和轻量化的模型设计实现深度学习应用在工业场景的快速批量复制落地。

面对锂电行业智能制造新需求，凌云光凭借多年的研发积累及整体解决方案能力已为锂电行业提供了一系列“机器视觉+AI”检测解决方案，全方位助力新能源行业智能制造发展。
F.Brain平台为凌云光新能源产品线提供的锂电极片解决方案，目前平台缺陷样本库数据量达到20万+，检测准确率高达98.5％，能有效检出裂纹、硌纹、凹坑、掉粉、黑点、白点等缺陷，并对其进行分级，实现对工艺的精细化追溯。

对于要求更加严格的锂电电芯外观检测，目前平台积累的缺陷样本数量达到10万+，检测准确率高达99.5％，能对锂电电芯的防爆阀、极柱、蓝膜和铝壳等的外观缺陷进行有效的检测、分类和分级，助力锂电企业实现零缺陷出货。

近年来，新能源汽车产业快速发展，在动力电池大规模制造现状下，电池企业对工业视觉检测精度、检测速度、缺陷分析等方面要求将更加严格。面对此行业发展趋势，凌云光会持续加大“机器视觉+AI”在锂电全工序检测的研发投入，深刻理解锂电检测的新需求，助力电池企业向智能工厂全面转型。