机器视觉检测的应用

　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。

　　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

本文来源网络！