一家汽车制造商推出了数英里的钣金后锻件,并希望这种金属的材料特性准确无误。钣金通过冲压变形为车身面板,如果特性不正确,则材料可能会裂开。当今的制造地板每隔四秒便会在汽车面板上盖印一次,这比人类检测的速度快得多。面板和零件将被发送到离线工作站,在该小组中,团队会手动检测零件是否有裂痕。检测每个零件需要几秒钟,然后将零件发送到装配体,该过程缓慢且昂贵。机器视觉检测制造检验的应用-机器视觉_视觉检测设备_3D视觉_缺陷检测

  问题的代价

  人工成本是主要要务。雇用了一组人员来检测零件,但是这些角色的周转率很高,需要在招募和培训上进行投资。根据检测员的数量,这些费用每年可能高达每条生产线数十万元。如果发现有裂痕的零件无法冲压到装配体,则成本开始攀升。逃到装配中的有缺陷零件使制造商付出的成本远远超过零件本身。如果零件泄漏到产品中,则可能会损失整辆车,以及相当大的品牌损失和客户投诉。每年在其所有工厂上花费数千万元,用于招聘,培训,保留,检测和补救冲压过程中的缺陷。

  工厂经理的困境

  工厂经理不断面临着同样的问题:如何在不牺牲安全性和质量的前提下优化运营?

  手动检测似乎是较好的选择,但是很慢,容易出错,而且很贵。

  除了体力劳动之外,Machine Vision(MV)技术解决方案还试图解决这一问题。MV解决方案是基于规则的,这意味着它们是严格的。须按照MV应用程序逻辑期望的方式准确显示图像。他们无法解释照明,零件形状或缺陷位置的变化。

  人工智能面临的历史挑战

  近期,机器视觉(Machine Vision)充满了人工智能(AI)驱动的解决方案的希望。与历史上的MV不同,由AI驱动的MV“学习”在许多不同种类的零件,光照条件和缺陷位置上的缺陷外观。

  不幸的是,训练AI驱动的MV解决方案以达到与人相似的准确性的过程非常缓慢且昂贵。对于初学者而言,这些解决方案需要数据科学家中稀有且昂贵的技能,后者会决定调整和调整系统以产生准确的结果。数据科学家为AI模型配置,训练和设置处理过程可能需要几个月的时间。

  下表中的示例概述了数据科学家需要做出的数十个决定的表面。总而言之,可以调整80多个此类相互依赖的因素以优化准确性。

  型号配置

  我们的神经网络应该有几层?我们应该如何在节点之间分配工作负载?

  模型训练

  我们应该训练多长时间?我们应该使用什么学习率?

  前后处理

  我们应该将图像运行一次还是两次?是否有助于提升图像质量?

  一个AI驱动的系统通过摄取其试图学习如何看待事物的样本进行训练。通常,它需要数千个正确的示例图像来训练系统。这些样品须由该领域的专家标记。摄取图像并训练模型后,数据科学家会以反复试验的方式更改参数,以优化准确性。

  例如,为了达到99.9%的精度检测汽车零件的裂痕,基于AI的竞争解决方案将需要一名数据科学家大约1100个小时才能达到99.9%的精度。

  人工智能驱动的机器视觉是一个缓慢而昂贵的主张。这是这些方法未“准备好企业”的原因之一。

  有什么变化?

  2012年,深层神经网络赢得了ILSVRC“ Imagenet挑战赛”。从那时起,DNN在大规模图像分类任务上已经超过了人类的准确性。这些成就源于三件事的融合:

  1、在神经网络和机器学习领域进行的数十年研究

  2、更大的培训数据集的可用性

  3、用于在大型数据集上训练深度神经网络的GPU性能的进步