>>戳此處立即下載下傳電子書<< ，學習全套目标檢測算法&模型
目标檢測的産業應用實踐
前三章節，具體講解了目标檢測的技術應用，技術如何和産業相結合，發揮出最大的價值，也是我們最為關注的。
在經濟穩預期的形勢下，國内制造業企業正在加快轉型更新的步伐。阿裡作為一家有情懷和使命感的科技公司，我們希望通過技術手段來幫助傳統企業實作轉型更新。正泰新能源與阿裡合作引入人工智能圖像技術進入生産工廠中的房間，其無人質檢生産線目前已使用将近一年時間，成為了生産制造的重要力量。
在光伏行業，質檢環節長期面臨專業度高、招工難、人力不足等問題。
工業自動化水準較高的德國曾推出過元件EL 質檢技術，但隻針對典型缺陷，僅能做到輔助人工（無法替代人工）。在國内，光伏企業在智能AI 識别技術領域做了近10 年的嘗試，但多晶電池群組件的自動質檢遠未達到工業生産水準。
阿裡巴巴利用AI 技術，實作了
全球第一個可代替人工的多晶電池群組件EL 質檢産品。
在應用AI 檢測之前，這個質檢環節需要熟練員工一片一片地對着螢幕去判斷電池片好還是不好，同時要拿搖桿去确認，視覺疲勞、會導緻準确率的下降，同時要培養這樣一個熟練員工，基本上要3 個月的時間。
多晶電池片之是以難，是因為電池片本身有很多暗紋，這些暗紋和某些瑕疵在圖像特征上比較相似，而且瑕疵本身的大小、長寬比、類間距等也很大，是以在算法上有着非常大的挑戰。
在單晶、多晶電池片質檢線上上穩定運作半年後，阿裡推出單晶、多晶元件EL質檢功能，目前已在産線運作且精度穩定在95% 以上。元件由6×10/6×12 塊電池組成，是以隻要有一個地方識别錯誤，整張元件便識别錯誤，是以其識别難度遠大于電池片。元件95% 以上的精度意味着單張電池片的識别精度要求遠遠超過99%。
正泰新能源在應用阿裡的AI 檢測之後，在“降本增效”上已經有了非常明顯的優勢。
阿裡雲未來将與更多的企業聯合，書寫智能制造新篇章。
附錄
[1] Girshick R, Donahue J, Darrell T, et al. Rich feature hierarchies for accurate object detection and semantic segmentation[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2014: 580-587.
[2] Girshick R. Fast r-cnn[C]//Proceedings of the IEEE international conference on computer vision. 2015: 1440-1448.
[3] Ren S, He K, Girshick R, et al. Faster r-cnn: Towards real-time object detection with region proposal networks[C]//Advances in neural information processing systems. 2015: 91-99.
[4] Liu W, Anguelov D, Erhan D, et al. Ssd: Single shot multibox detector[C]//European conference on computer vision. Springer, Cham, 2016: 21-37.
[5] Redmon J, Divvala S, Girshick R, et al. You only look once: Unified, real-time object detection[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2016: 779-788.
[6] Redmon J, Farhadi A. YOLO9000: better, faster, stronger[J]. arXiv preprint, 2017.
[7] Redmon J, Farhadi A. Yolov3: An incremental improvement[J]. arXiv preprint arXiv:1804.02767, 2018.
[8] Dai J, Li Y, He K, et al. R-fcn: Object detection via region-based fully convolutional networks[C]//Advances in neural information processing systems. 2016: 379-387.
[9] Fei-Fei Li, Justin Johnson, Serena Yeung et al. CS231n: Convolutional Neural Networks for Visual Recognition
[10] Cheng M M, Zhang Z, Lin W Y, et al. BING: Binarized normed gradients for objectness estimation at 300fps[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2014: 3286-3293.
[11] Uijlings J R R, Van De Sande K E A, Gevers T, et al. Selective search for object recognition[J]. International journal of computer vision, 2013, 104(2): 154-171.
[12] Endres I, Hoiem D. Category independent object proposals[C]//European Conference on Computer Vision. Springer, Berlin, Heidelberg, 2010: 575-588.
[13] Law H, Deng J. Cornernet: Detecting objects as paired keypoints[C]//Proceedings of the European Conference on Computer Vision (ECCV). 2018: 734-750.
[14] Xin Lu, Buyu Li, Yuxin Yue, Quanquan Li, Junjie Yan Grid R-CNN arXiv preprint, 2018.