人工智能的改進與更好的機器視覺控制相結(jié)合，為智能制造業(yè)創(chuàng)造了至關(guān)重要的新組成部分–高精度、可擴展的故障檢測。該技術(shù)前景廣闊，不但能提高效率，而且能提高安全性，提供實時可見性。

全球智能制造市場將在不久的將來實現(xiàn)顯著增長。2020-2025年的復(fù)合年增長率為12.4%，市場規(guī)模約為3848億美元，而2020年的復(fù)合年增長率為2147億美元。這一增長是制造過程中的工業(yè)自動化，通過軟件解決方案，對減少時間和成本的需求不斷增加。

AI驅(qū)動的故障檢測是工業(yè)自動化領(lǐng)域新興需求和創(chuàng)新領(lǐng)域的一個很好的例子。一些關(guān)注的趨勢是，自動故障檢測的能力在制造過程的兩個關(guān)鍵領(lǐng)域非常重要–將其作為預(yù)測性維護計劃的一部分，作為質(zhì)量保證工具的一部分，對工廠機械中的故障進行檢測，確保制造輸出符合規(guī)格。

人工智能助力之機器視覺。

一個關(guān)鍵的技術(shù)共性是對可靠且高度可配置的機器視覺的需求，尤其是在QA過程中。在這個過程中，發(fā)現(xiàn)表面缺陷是這個過程的關(guān)鍵因素。傳統(tǒng)的機器視覺解決方案(如自動光學(xué)檢查)(AOI))依靠不靈活的規(guī)則或所謂的“黃金圖像”來比較產(chǎn)品圖像和已知的無缺陷圖像。但這里的問題是，任何誤報都會導(dǎo)致不必要的浪費，相反，有缺陷的零件會通過。人工智能可以在這個灰色地帶改變有效性。在某些情況下，它可以提供95%的改進，消除誤報。

人工智能機器視覺的挑戰(zhàn)及益處。

有趣的是，制造商轉(zhuǎn)移到AI故障檢測環(huán)境的主要挑戰(zhàn)之一是保證用于訓(xùn)練AI的數(shù)據(jù)清晰無歧義。比如人工檢查往往是主觀的，不同的檢查人員會通過或者沒有通過同樣的缺陷。因此，主觀通過/失敗的數(shù)據(jù)合并可能會導(dǎo)致模棱兩可或矛盾的決策，從而導(dǎo)致模型不完善。即使有干凈的數(shù)據(jù)來訓(xùn)練AI，也只是過程的一小部分。事實上，視覺檢查概念驗證AI模型的訓(xùn)練可能只占整個部署總時間和成本的10%。

另一個關(guān)鍵挑戰(zhàn)是確保材料和環(huán)境因素(如照明)的一致性。這兩種方法中的任何變化都可能立即導(dǎo)致非常高的錯誤率，需要對模型進行重新校準(zhǔn)或重新訓(xùn)練。然后，為了使環(huán)境變化檢測系統(tǒng)處于運行狀態(tài)，需要成功的部署。然而，環(huán)境變化檢測系統(tǒng)除了故障檢測外，還可以提供廣泛的優(yōu)勢。例如，分段系統(tǒng)可能會提高工人的安全性(如果在有限的區(qū)域內(nèi)檢測到運動，則通過自動切斷機器的動力)來監(jiān)控火、煙或其他空氣質(zhì)量危害(如灰塵或氣體)。

標(biāo)簽：人工智能,機器視覺,人工智能視覺,AI人工智能