Wie lassen sich Chancen für KI in der maschinellen Bildverarbeitung identifizieren?

Künstliche Intelligenz (KI) wird von verschiedenen Branchen eingesetzt, um die Leistungsfähigkeit von Daten zu nutzen und sie für intelligentere Entscheidungen zu nutzen.

In diesem Artikel erfahren Sie, wie Sie Chancen für KI in Bildverarbeitungsanwendungen identifizieren.

Geschäftsanforderungen an KI-Systeme

Erwartungen verwalten

KI-Methoden haben spezifische Anwendungsfälle. Schließlich handelt es sich nicht um eine universelle Lösung und sie kann nicht alle Probleme lösen. Einige Anwendungen eignen sich besser für herkömmliches Computer Vision, andere erfordern möglicherweise beides und andere erfordern möglicherweise nur künstliche Intelligenz. KI-Systeme sind teuer – sowohl im Hinblick auf die Kosten als auch auf die erforderlichen Vorabressourcen. Open-Source-Tools benötigen viel Entwicklungszeit und externe Tools sind oft teuer. Darüber hinaus ist häufig eine GPU erforderlich, um eine ausreichende Leistung auf dem System zu erzielen. Viele Hersteller verfügen oft nicht über GPUs oder eine entsprechende Rechenleistung. Daher ist es wichtig zu ermitteln, welche Anwendungen für KI mit starken Geschäftsanforderungen gut geeignet sind.

Die Bedeutung der Einstellungen des visuellen Systems

Vor dem Einstieg in die KI wird empfohlen, eine solide Grundlage für die Einstellungen des visuellen Systems zu haben. Dies ist jedoch für die KI weniger wichtig, da sie häufig mit schlechteren Bedingungen zurechtkommt als herkömmliche Systeme. Hier gelten alle normalen Regeln für Bildverarbeitungssysteme – gute Beleuchtung, Kameraauflösung, Brennweite usw. Wenn einer dieser Faktoren nicht den Anforderungen entspricht, lohnt es sich, noch einmal darauf einzugehen und sich mit ihnen zu befassen, bevor man sich weiter mit KI befasst. Sorgen Sie für ein robustes Vision-System-Setup, um beste Ergebnisse zu erzielen.

Referenz menschliche Leistung

KI-Systeme sind dort am erfolgreichsten, wo die menschliche Leistung stark ist. Sobald das System eingerichtet ist, können Bediener Bilder einfach mit dem Auge identifizieren/klassifizieren und so feststellen, ob sie für KI geeignet sind. Wenn die menschliche Leistung jedoch nicht ausreicht, ist die Leistung des KI-Modells wahrscheinlich schlecht. Nimmt man die menschliche Leistung als Bezugspunkt dafür, was ein KI-Modell leisten kann, ist es unwahrscheinlich, dass die KI eine bessere Leistung erbringt, wenn ein Bediener Bilder nur in 70 % der Fälle korrekt identifizieren kann. Wenn die menschliche Leistung für eine Anwendung nicht ausreicht, sollte daher zunächst dieses Leistungsproblem behoben und auf ein akzeptables Niveau verbessert werden. Sobald die Betreiber die erwartete Leistung erreichen, kann KI in Betracht gezogen werden.

Zeit und Ressourcen

Das Sammeln von Bildern und das Trainieren eines Modells erfordert erheblichen Aufwand. Oftmals ist das Sammeln qualitativ hochwertiger Bilder der schwierigste Teil, da die Fehlerquote bei vielen Herstellern sehr gering ist. Ohne Daten kann es schwierig sein, ein Modell auf fehlerhafte Teile zu trainieren. Trainingstools sind hilfreich und stellen vorab trainierte Modelle bereit, für deren Training weniger Proben erforderlich sind. Das Training ist ein iterativer Prozess, der mehrere Schritte umfasst, um die idealen Parameter für die Ausführung des Modells zu finden. Die Optimierung eines Modells erfordert oft Zeit und Experimente. Wenn außerdem neue Daten im Feld auftauchen, muss das Modell erneut trainiert und bereitgestellt werden.

Beispiele für Anwendungen künstlicher Intelligenz:

Eine Beispielanwendung künstlicher Intelligenz in der Bildverarbeitung ist die Endmontageprüfung, ein anderes die Prüfung von Leiterplatten oder Leiterplatten.

❶ Endmontagekontrolle:

Hintergrund

Die Endkontrolle von Teilen/Produkten oder Komponenten wird normalerweise von Bedienern, herkömmlichen Bildverarbeitungssystemen oder beiden durchgeführt. Als Beispielprodukt werden hier Teledyne-Kameras hervorgehoben. Bei einer Endkontrolle werden möglicherweise verbogene Stifte, Kratzer auf der Oberfläche, die richtige Platzierung der Anschlüsse, die Ausrichtung der Aufkleber, der korrekte Druck des Textes, der Abstand zwischen den Mechanismen und mehr überprüft. Grundsätzlich müssen alle Ausnahmen gefunden werden, die während des Build-Prozesses auftreten. Doch dann wird die Liste der nachzuschlagenden Kriterien schnell sehr lang. Herkömmliche regelbasierte Systeme haben Schwierigkeiten, alle Eckfälle zu bewältigen, und die Schulung neuer Bediener ist schwierig.

Warum KI?

Es gibt normalerweise zu viele Regeln, um zu bestimmen, was „passt“. Dies macht es für herkömmliche Bildverarbeitungssysteme schwierig, eine gute Leistung zu erzielen. Die Alternative besteht darin, dass die manuelle Inspektion für viele Unternehmen zeitaufwändig ist und es für neue Betreiber schwierig ist, unklare Urteile zu fällen. Herkömmliche regelbasierte Systeme weisen häufig keine ausreichende Leistung auf, und Hersteller verlassen sich dabei auf das Urteilsvermögen des Bedieners. Es kann zu unterschiedlichen Lichtverhältnissen sowie zu starken Abweichungen bei der Fehlerstelle, -form und -beschaffenheit kommen. Oft genügt eine einfache qualitative „Gut/Schlecht“-Ausgabe. Dies kann jedoch auf Wunsch auch mit herkömmlichen regelbasierten Algorithmen kombiniert werden.

Vorteile

Mit KI ist die Einrichtung viel einfacher. Nach dem Sammeln einer großen Anzahl von Bildern zum Trainieren eines Modells erfordert die Inbetriebnahme eines Systems in der Regel weit weniger Entwicklungsaufwand als bei einem regelbasierten System, insbesondere unter Verwendung von KI-Tools. Mit einem geeigneten System, das in der Regel eine GPU verwendet, ist die Überprüfung viel schneller und liegt in der Größenordnung von Millisekunden. Wenn sie mit guten Daten versorgt werden, sollten KI-Systeme außerdem zuverlässiger arbeiten als Menschen und eine gute Möglichkeit sein, Inspektionsabläufe zu standardisieren. Der Algorithmus wird in der Regel anhand von Daten trainiert, die von mehreren Bedienern bereitgestellt werden, wodurch menschliche Fehler reduziert werden. Dies trägt dazu bei, menschliche Vorurteile oder Ermüdungserscheinungen zu verringern, die durch einen einzelnen Bediener entstehen können. In diesem Beispiel kann KI Herstellern dabei helfen, Out-of-Box-Fehler zu reduzieren und die Inspektionsqualität und den Durchsatz zu verbessern.

❷PCB-Inspektion:

Hintergrund

PCB-Hersteller müssen ihre Leiterplatten auf etwaige Mängel überprüfen. Möglicherweise handelt es sich um eine schlechte Lötstelle, einen Kurzschluss oder eine andere Anomalie. Üblicherweise kommen AOI-Maschinen (Automated Optical Inspection) zum Einsatz. Da die Fehler jedoch sehr unterschiedlich sind, ist es schwierig, alle Randfälle zu behandeln. Und die Leistung regelbasierter Systeme ist nicht genau genug, und die Hersteller verlangen von den Bedienern, manuelle Inspektionen durchzuführen, was zeitaufwändig und teuer ist.

Warum KI?

Traditionelle AOI-Systeme haben Schwierigkeiten, Fehler zu erkennen. Die Leistung ist entweder zu hoch oder zu gering, was dazu führt, dass eine defekte Leiterplatte den Test besteht oder eine gute Leiterplatte ausfällt. Ähnlich wie in anderen Situationen gibt es zu viele Regeln, um ein „gutes Board“ zu bestimmen. Je nach Anwendungsfall können hier mithilfe von KI Defekte unterschiedlicher Größe und Form wie Kurzschlüsse, Unterbrechungen, fehlerhafte Bauteile, Schweißfehler etc. klassifiziert werden.

Vorteile

Mit künstlicher Intelligenz können Hersteller die Genauigkeit und Qualität von Inspektionen verbessern. Dies trägt dazu bei, die Anzahl defekter Leiterplatten, die die Prüfung bestehen, zu reduzieren. Es spart außerdem Zeit und Arbeitskosten bei manuell unterstützten Inspektionen und erhöht den Durchsatz durch die Automatisierung von Aufgaben, deren Ausführung durch den Bediener länger dauert.

Das obige ist der detaillierte Inhalt vonWie lassen sich Chancen für KI in der maschinellen Bildverarbeitung identifizieren?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!