基于深度学习的镜片膜色与色差全自动检测方案产品系统

在镜片镀膜生产的过程当中，生产和工艺部门对于膜色稳定性没有准确的追踪手段，当出现异常时，工程师、技术员需要花费大量的时间从Mes系统中提取曲线数据并逐条分析，约每天4-6次，每次30min，效率低下，且对于膜色的稳定性缺乏持续性的追踪手段。导致管理人员对膜色异常的了解情况具有滞后性。
核心技术方案
1. 无监督异常检测模型 针对膜色规格多样、无法大量标注的特点，采用深度学习中的变分自编码器(VAE)技术，分别为不同膜色训练专用模型。模型通过学习正常样本的光谱曲线特征，自动识别偏离标准的异常样本，无需人工标注即可实现准确检测。
2. 三通道智能评分体系 设计了Shape(形状)、Shift(偏移)、Amplitude(幅度)三个维度的评分机制，从多角度量化膜色质量。结合专家规则层（稳定性过滤、模型路由、边界判定），将模型输出转化为可解释的诊断结果，准确率达到98%。
3. 全栈监控系统
后端服务：Django + Python构建REST API，集成模型推理服务
前端看板：Vue 3 + ECharts实现可视化，提供实时KPI监控、趋势分析、机台对比、样本详情等功能
部署方案：Docker容器化部署，支持离线运行和快速迁移

实时预警：100%全量监控，自动标识NG
多维筛选：按机器号、膜色、时间范围灵活查询，支持编号搜索和趋势图点击联动
智能诊断：每个异常样本提供光谱曲线对比、三通道分数、具体诊断建议
趋势追踪：日/周/月粒度的稳定性趋势分析，Top15机台性能排名，支持工艺优化

全栈开发，训练了10个模型支持不同的镜片类型，每个模型集成了VAE和XGBOOST实现判断，并且定制了一系列的专家算法增强可解释性
后端服务：Django + Python构建REST API，集成模型推理服务
前端看板：Vue 3 + ECharts实现可视化，提供实时KPI监控、趋势分析、机台对比、样本详情等功能
部署方案：Docker容器化部署，支持离线运行和快速迁移