NVIDIA — промышленная инспекция дефектов (референс U-Net)
Методический материал NVIDIA Developer Blog: сегментация дефектов U-Net, ускорение инференса (TensorRT), демонстрация на публичном DAGM и контексте PCBA / AOI у NVIDIA — не отчёт о внедрении на стороннем заводе.
- Сценарий Компьютерное зрение и оптическая инспекция (AOI): сегментация дефектов, снижение ложных срабатываний
- Отрасль Кросс-отраслевой ориентир; в тексте — пример производства PCBA / опыта NVIDIA
- Регион США (публикация NVIDIA)
- Охват Референсная реализация и публичный датасет; не заявлен полный промышленный rollout у заказчика.
- Доказательность Высокая для воспроизводимых метрик в описанной постановке эксперимента; материал от поставщика платформы — перенос чисел «как есть» на вашу линию без пилота недопустим.
- Оценка обзора Специфичность 1, независимость 2, качество метрик 3, свежесть 0. Дата источников: 2026-05-01.
Производственный контекст
Промышленная оптическая инспекция: редкие дефекты и высокая цена false positive. В публикации приводится мотивация из практики: «production case at NVIDIA», где классическая AOI в PCBA давала высокий уровень ложных срабатываний — формулировка из блога NVIDIA, без детализации модели оборудования и SLA.
Задача
Показать end-to-end пайплайн глубокого обучения для инспекции и обсудить компромисс между точностью и полнотой при промышленных требованиях к ложным тревогам.
Подход на базе ИИ и машинного обучения
Сегментация дефектов архитектурой U-Net; инференс с ускорением (TensorRT); обучение и прогон на GPU в терминологии сквозной платформы NVIDIA для DL.
Данные
Публичный набор DAGM как демонстрационный корпус; иллюстративные примеры дефектов в статье. Это не замена полевого датасета вашей линии и не отчёт о разметке конкретного завода.
Результат и метрики
Ниже — дословный пересказ формулировки из NVIDIA Developer Blog для описанной конфигурации (порог, модель, данные эксперимента). Как у вендорских и «Huawei-style» кейсов: цифры полезны для сравнения подходов, но не являются гарантией на вашем продукте и маршруте.
Точность, полнота, ложные тревоги (источник — блог NVIDIA)
- Цитата (перевод смысла) В заявленной постановке указаны 99,25 % точности, 96,38 % полноты и 0,11 % доли ложных тревог — по формулировкам блога NVIDIA.
- Оговорка обзора Метрики относятся к эксперименту на DAGM / описанному протоколу, а не к аудированному серийному внедрению у третьего заказчика. Порог вероятности, классы дефектов и согласование с оператором AOI на вашей площадке потребуют отдельной валидации.
Источники
Релевантность для производства
Ориентир для POC: выбор архитектуры сегментации, настройка порога вероятности, план ускорения инференса на линии (TensorRT, edge на Jetson — в логике экосистемы NVIDIA). Сочетается в обзоре с кейсами полного контура данных (например, синтетика и MLOps у заказчика) — см. BMW Group в том же каталоге.