在一个世纪未曾见过的重大变化的环境中，以人工智能和5G为代表的新技术革命如火如荼，以促进各行各业的发展。

作为国民经济的主导产业，工业必将成为人们关注的焦点。

在此背景下，第22届中国国际工业博览会（CIIF）将于2020年9月15日在上海国家会议展览中心如期开幕。

转型竞争中，自动化和无人值守的生产方法正在迅速发展。

在这个历史过程中，生产自动化相对容易解决，但是无人工业产品的外观质量检查却遇到了很大的障碍。

如何提高工业产品外观质量检验的效率已成为行业的当务之急。

为什么检查工业产品的外观如此困难？工业视觉技术能否赶上人眼？我们带着这个问题采访了参加此次行业博览会长崔中伟博士的北京灵邦智能设备有限公司（Lingbang Intelligent）的负责人。

崔中伟博士说：“工业产品外观质量检验技术本质上不是自动化技术。

自动化技术的特征是If ... Then的逻辑。

在深度学习技术出现之前，我们曾经认为只要编写更多的逻辑关系就可以识别工业产品表面上的缺陷和非缺陷，但是多年的实践结果表明，无论逻辑关系多么复杂，我们写道，它们仍然不如人类的眼睛和大脑。

死亡率从未与人类相提并论。

自2012年深度学习技术取得突破以来，我们终于意识到工业产品的外观质量检测无法用自然界中的自动化技术来解决，而需要人工智能技术来解决。

人工智能（AI）在工业质量检查领域为创新企业提供了支持。

自2019年5月发布工业质量检验云大脑iBrain以来，它已为3C外壳，汽车零件，手机零件，稀土永磁体和其他行业提供服务，许多AIOT设备昼夜运行，并且性能不断迭代使工业产品的外观质量检测技术赶上了人类。

AIOT智能网络AI支持工业质量检查。

在取得巨大成功的同时，它还面临着更严峻的挑战，即难以收集有关工业产品缺陷的大数据。

工业产品的表面成像与自然成像不同。

根据太阳光下的表面反射率（吸收率成像）对花卉和植物成像。

容易累积大图像数据，这使我们可以通过AI应用程序软件识别花朵和植物。

大数据易于收集，人工智能模型的训练和学习准确性高，识别率赶超人类。

工业产品的外观质量检查有所不同。

工业零件大多由相同的材料制成，具有相同的光吸收率，并且都在人造光源下以不同的角度成像。

这意味着同一部分在不同角度和不同人造光源下会形成不同的图像。

一个设备的成像数据不能用于另一设备的训练和学习。

换句话说：如果没有照明和成像的标准化，就不会有工业产品的有缺陷图像的标准化，就不会有大数据，没有大数据，就不会有可以追赶人类的机器智能，并且不可能实现无人值守生产并大大改善质量检查。

没有办法谈论效率。

照明和成像技术的标准化已成为AI在工业产品质量检查应用中的最大障碍。

借此机会，Leading Intelligence率先发布了适用于工业产品外观质量检查的标准化照明技术和成像技术，即通用光学技术。

这套通用光学技术抽象了工业产品表面质量检查的最基本特征，以一种统一的方式统一了世界，并解决了工业产品表面图像上大数据的定义和积累。

适用于AI，STA的通用光学技术