Cara memilih teknologi AI moden untuk aplikasi pembuatan dan automasi

Dalam kehidupan seharian di luar pengeluaran dan makmal dalam bidang automasi industri, takrifan kecerdasan buatan (AI) berbeza-beza secara meluas.

"Kecerdasan buatan" merujuk kepada sains yang merangkumi beberapa disiplin teknikal dan kejuruteraan yang berbeza, termasuk penglihatan mesin, penglihatan komputer, pembelajaran mesin dan pembelajaran mendalam. Apabila sistem berdasarkan gabungan teknologi ini direka bentuk dengan betul (dari analisis aplikasi hingga pengesahan akhir), ia boleh menambah nilai yang luar biasa kepada kilang.

Peningkatan kecerdasan buatan dalam pembuatan

John McCarthy, profesor sains komputer di Universiti Stanford, dikenali sebagai "bapa kecerdasan buatan." Kecerdasan buatan boleh ditakrifkan sebagai "sains dan kejuruteraan membuat mesin pintar, terutamanya program komputer pintar." Ia mengenai penggunaan komputer untuk memahami tugas yang serupa pada manusia, tetapi kecerdasan buatan tidak perlu dihadkan kepada kaedah yang boleh dilihat secara biologi.

Dalam kes ini, kecerdasan buatan boleh menyediakan pengeluar dalam industri yang berbeza dengan alat berharga untuk pemeriksaan automatik sistem penglihatan mesin. Dalam kecerdasan buatan terdapat subset pembelajaran mesin dan pembelajaran mendalam. Pembelajaran mesin menggunakan teknik yang membolehkan mesin "belajar" untuk menambah baik pada tugasan yang berbeza. Salah satu teknik tersebut ialah pembelajaran mendalam, yang menggunakan rangkaian saraf tiruan, seperti rangkaian saraf konvolusi, untuk mensimulasikan proses pembelajaran otak manusia.

Pembelajaran mendalam, subset pembelajaran mesin, serta pembelajaran mesin, telah menjadi popular dalam bidang automasi industri kerana keupayaannya untuk "belajar" daripada analisis berterusan model dari semasa ke semasa. Proses pembelajaran mendalam bermula dengan data. Contohnya, untuk membantu penglihatan mesin mencari kecacatan produk, pengeluar akan membuat set data awal dengan memuat naik imej yang menerangkan kecacatan atau ciri yang mesti dikesan bersama dengan imej "baik". Pembelajaran mendalam datang dengan melabelkan set data awal secara kolaboratif, melatih model dan mengesahkan keputusan menggunakan imej ujian set data asal, menguji prestasi dalam pengeluaran dan melatih semula untuk merangkumi kes atau ciri baharu.

Apabila semua faktor dipertimbangkan dan langkah yang sesuai diikuti, perisian memberikan nilai apabila melaksanakan alat pembelajaran mendalam ke dalam sistem pemeriksaan automatik baharu atau sedia ada, termasuk tugas seperti pengesanan kecacatan, klasifikasi ciri dan pengesahan pemasangan. Secara khusus, perisian ini memberikan nilai dalam banyak aplikasi seperti tugas seperti pengesanan kecacatan, klasifikasi ciri dan pengesahan pengesahan. Teknologi AI boleh membantu dengan keputusan pemeriksaan subjektif yang memerlukan pemeriksaan manual. Teknologi AI boleh membantu mengenal pasti senario yang mempunyai tahap kerumitan atau kebolehubahan yang tinggi yang menyukarkan untuk mengenal pasti ciri tertentu.

Meningkatkan Sistem Penglihatan Mesin

Penggunaan kecerdasan buatan dalam aplikasi tidak memberi manfaat kepada setiap aplikasi, dan ia bukan teknologi bebas. Sebaliknya, teknologi AI mewakili alat berkuasa dalam kotak alat pemeriksaan automatik yang boleh digunakan dalam beberapa industri berbeza, memberikan pengeluar pelbagai pilihan apabila memilih penyelesaian. Mereka boleh mengekodkan penyelesaian dalaman menggunakan rangka kerja seperti PyTorch atau TensorFlow, membeli penyelesaian luar biasa atau memilih produk atau sistem yang didayakan AI khusus aplikasi.

Terdapat beberapa penyelesaian AI siap pakai di pasaran yang membolehkan pengguna akhir membina model mereka sendiri tanpa terikat dengan aplikasi tertentu. Sebagai contoh, platform QA Elementary menawarkan apa yang syarikat panggil sebagai "sistem penglihatan timbunan penuh" dengan kepala pengimejan dan perisian pembelajaran mesin dengan analitik lanjutan yang direka untuk mengenal pasti isu, menambah baik secara berterusan dan membuka kunci keupayaan baharu untuk pelbagai proses pembuatan. Sistem ini menggabungkan alat penglihatan mesin tradisional, seperti bacaan kod bar dan pengecaman aksara optik, dengan keupayaan pembelajaran mesin untuk menambah keupayaan pemeriksaan luaran pada sistem. Secara keseluruhannya, sistem ini menyediakan keupayaan pengesanan tambahan.

Mike Bruchanski berkata: “Kecerdasan buatan bukanlah sihir, ia tidak boleh melakukan segala-galanya, tetapi ia boleh menambah keupayaan baharu yang berkuasa kepada sistem pengesanan anomali – seperti mencari sekeping ketulan yang jelas dalam bijirin – berdasarkan Contoh jelas alat penglihatan pembelajaran mesin yang boleh berfungsi dengan sistem penglihatan mesin untuk kawalan kualiti berkata, aplikasi pemeriksaan biasa untuk sistem penglihatan Elementary termasuk pembungkusan produk pengguna (termasuk label, topi dan aksesori , peranti perubatan, alat ganti dan automotif). pemasangan, dan produk makanan dan minuman (selalunya melibatkan versi pemeriksaan pemasangan yang unik).

Dia berkata: “Sebagai contoh, dalam pemeriksaan sandwic sarapan pagi yang telah dibungkus, sukar untuk mewujudkan corak yang membolehkan perisian memahami sama ada keju tidak berada di tempat yang betul atau tidak sama sekali, tetapi alat pembelajaran mesin kami membolehkan sistem penglihatan melihat sandwic bertindan , untuk membuat keputusan pantas Platform kami menyediakan pendekatan yang sama dalam pemeriksaan pemasangan peranti perubatan, sambil juga melakukan pelbagai pemeriksaan automotif, daripada pengenalan label peraturan kepada memeriksa kimpalan untuk kemek, lompang atau retak. ”

Penggunaan robot semakin meningkat

Beberapa produk kecerdasan buatan khusus aplikasi telah muncul dalam beberapa tahun kebelakangan ini dengan matlamat untuk memperkemas dan memudahkan tugas tertentu. Dalam sesetengah kes, ini mungkin melibatkan keseluruhan sistem berfungsi dan berjalan dalam beberapa jam. Rapid Robotics' Rapid Machine Operator (RMO) ialah contoh utama sistem sedemikian. Setiap RMO direka bentuk untuk mengendalikan tugas pengendali mesin biasa dan termasuk lengan robotik 6 paksi, sensor kedalaman 3D, pencengkam dan kotak kawalan untuk pengkomputeran tepi dan pemprosesan kecerdasan buatan. Menurut syarikat itu, rmo dilengkapi dengan algoritma kecerdasan buatan yang telah terlatih.

Juan Aparicio, Naib Presiden Produk di RapidRobotics berkata: "Setiap RMO direka untuk memenuhi keperluan pengeluaran unik pelanggan. Sel kerja modular ini membolehkan pengeluar mengembangkan automasi dengan cepat, kos efektif dan dengan risiko rendah

Aparicio berkata kemajuan dalam kecerdasan buatan menjadikan automasi robotik lebih mudah dan lebih cekap untuk digunakan berbanding sebelum ini.

“Dalam bidang kami, salah satu cadangan nilai AI yang paling penting ialah kepelbagaian bakat automasi

Mengejutkan penyelidik, laporan MIT baru-baru ini mengenai masa depan kerja mendapati bahawa robot berdasarkan kecerdasan buatan jarang terdapat dalam pengeluar bersaiz kecil dan sederhana, tambahnya Terdapat banyak peluang untuk digunakan, termasuk pemeriksaan kualiti, mudah alih autonomi robot, pemasangan dan reka bentuk generatif.

Dalam bidang robotik, Photoneo menggunakan kaedah kecerdasan buatan dalam penyelesaian automasinya untuk mengenal pasti, memilih dan mengklasifikasikan jenis item campuran. Syarikat itu menggunakan CNN yang dilatih pada set data objek besar untuk mengenal pasti item pelbagai bentuk, saiz, warna atau bahan. Jika perisian menemui objek yang tidak pernah dilihatnya sebelum ini, ia boleh mengenal pasti dan mengklasifikasikan objek berdasarkan objek serupa yang pernah ditemui atau dilatih sebelum ini. Selain itu, perisian boleh dilatih pada set data tertentu jika pelanggan perlu memilih item anomali atau penyesuaian yang boleh menyebabkan prestasi model menurun.

Pakar PR Photoneo Andrea Pufflerova berkata: “Pelanggan selalunya memerlukan sistem pemilihan item robotik yang boleh mengenal pasti, memilih dan mengisih item dalam pelbagai bentuk, saiz, warna atau bahan dan memproses jenis objek campuran, termasuk produk organik seperti buah atau ikan.

Dia menambah: “Ini mungkin termasuk item yang selalunya sukar dikenal pasti, seperti beg yang fleksibel, boleh berubah bentuk, penuh dengan kedutan dan ketidakteraturan. ”

Penyelesaian tersuai yang komprehensif

Syarikat yang ingin menggunakan perisian AI dalam operasi mereka boleh melangkah lebih jauh dan membenarkan syarikat seperti Prolucid membina dan menyepadukan model pembelajaran mesin tersuai, termasuk sokongan untuk pengumpulan dan pelabelan data, latihan model dan penggunaan Ketua Pegawai Eksekutif Prolucid Darcy Bachert menjelaskan: “Sebagai penyepadu sistem, tumpuan kami adalah pada penerapan visi komputer termaju dan model berasaskan AI untuk membantu aplikasi pemeriksaan pembuatan yang kompleks, serta pelbagai pelanggan bukan pembuatan, termasuk penjagaan nuklear dan perubatan. “Pendekatan biasa kami ialah menggunakan penglihatan komputer atau alat sedia ada lain untuk menyelesaikan masalah dengan cara yang paling mudah. Jika kami menemui aplikasi yang mana ini tidak sesuai, maka kami melihat AI sebagai pilihan dan mulakan dengan mencari model luar biasa yang sesuai dengan kes penggunaan tertentu, seperti pengesanan anomali atau klasifikasi ciri. "

Bachert menyatakan bahawa platform sumber terbuka seperti TensorFlow, yang didatangkan dengan model pra-latihan yang direka untuk kes penggunaan yang berkaitan, serta keseluruhan ekosistem Python, telah memberi kesan positif yang ketara terhadap penggunaan kecerdasan buatan dalam pembuatan dan lain-lain. aplikasi.

dia menjelaskan Berkata: “Membangunkan model dari awal boleh memakan masa yang sangat lama, yang selalunya tidak praktikal untuk pelanggan pembuatan. "Bagaimanapun, jika versi pra-latihan boleh dimanfaatkan, maka ia memudahkan pelaburan awal dengan ketara

Melihat ke hadapan untuk masa depan AI dalam pembuatan

Pada masa hadapan AI dalam pembuatan, automasi mungkin akan melibatkan penggunaan analisis lanjutan untuk." trend kecacatan pengenalan awal dan akhirnya menghalang kejadiannya. Sebagai contoh, pembelajaran mesin boleh mengenal pasti apabila syarikat menghasilkan lebih banyak kecacatan pada masa tertentu dalam sehari atau apabila label kod tarikh mula pudar kerana pencetak kekurangan dakwat. Menurut Bruchanski, teknologi itu akan mengenal pasti apabila proses menjadi buruk dan menghantar arahan kepada sistem atau pengendali untuk membuat pelarasan.

Beliau berkata: "Pada masa hadapan, pembelajaran mesin boleh membantu mengoptimumkan proses dengan mengesan kecacatan, mengenal pasti arah aliran pada punca ralat, dan memberikan data ini kepada pengilang, akhirnya membantu mereka mencapai persekitaran bebas kecacatan

Pufflerova." percaya, pembangunan model AI hibrid yang menggabungkan pendekatan berasaskan model dan dipacu AI juga menawarkan potensi untuk aplikasi industri.

Dia berkata: “Hari ini mungkin tidak mencukupi untuk melatih sistem untuk berfungsi dengan baik pada set contoh yang terhad – seseorang juga perlu memahami perwakilan dalamannya Berbanding dengan pembelajaran mesin kotak hitam tradisional atau pendekatan pembelajaran mendalam, hibrid Model AI menyediakan pembelajaran yang lebih pantas, lebih mudah dan kebolehtafsiran yang lebih baik.”

Bagi Aparicio, sukar untuk bercakap tentang automasi robotik tanpa bercakap tentang masa depan tenaga kerja.

Beliau berkata: "Setakat AI dan automasi menjadikan peranan manusia usang, inovasi robotik akan membawa perubahan, tetapi akhirnya lebih banyak peluang untuk manusia "Sebagai contoh, penggunaan robot akan sentiasa memerlukan penglibatan jurutera, Kerana mereka perlu melakukannya menyelaraskan pelbagai proses penyepaduan, mencampurkan perkakasan dan perisian, serta mereka bentuk sistem yang boleh dipercayai."

Memandangkan perisian menjadi alat utama untuk latihan dan sokongan robot, peranan ini mungkin akan menjadi lebih bersepadu ke dalam IT. Memandangkan kepantasan teknologi ini berkembang, perniagaan mungkin memutuskan untuk bekerjasama dengan penyedia penyelesaian bersepadu secara menegak, membolehkan mereka menumpukan lebih pada mengembangkan perniagaan mereka sementara vendor menguruskan armada robot. Bachert menjelaskan bahawa dalam senario ini, tenaga kerja robotik akan beralih daripada pasukan teragih kepada pendekatan berpusat, membolehkan syarikat Robotik-sebagai-Perkhidmatan memanfaatkan skala ekonomi dan latihan berpusat.

Apabila ia datang untuk mengatasi halangan yang menghalang penggunaan pesat AI, Bachette membuat kesimpulan bahawa AI hanyalah satu lagi alat yang boleh digunakan untuk automasi industri. Walau bagaimanapun, beliau memberi amaran, "Memandangkan komuniti sumber terbuka terus berkembang dan lebih banyak model pra-latihan tersedia, halangan untuk memasuki teknologi ini ke dalam aplikasi dunia sebenar akan berkurangan. Penerimaan ini memerlukan pelanggan akhir untuk melabur dalam latihan dalam mereka. pasukan, kerana Kepintaran buatan mempunyai cabaran yang sangat unik yang tidak selalu ada dalam aplikasi penglihatan komputer atau pemeriksaan yang mudah

.

Atas ialah kandungan terperinci Cara memilih teknologi AI moden untuk aplikasi pembuatan dan automasi. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!