人工智慧(AI)正在被各行業採用,以利用數據的力量,並使用其來做出更明智的決策。
本文將介紹如何在機器視覺應用程式中識別AI的機會。
管理期望
AI方法有特定的用例。畢竟不是萬能的解決方案,解決不了所有的問題。有些應用程式更適合傳統的電腦視覺,有些可能兩者都需要,而有些可能只需要人工智慧。人工智慧系統是昂貴的——無論是成本還是前期所需的資源。開源工具需要大量的開發時間,而外部工具往往很昂貴。此外,通常需要GPU才能在系統上達到足夠的效能。許多製造商往往沒有GPU或同等的處理能力。因此,重要的是要確定哪些應用程式非常適合具有強大業務需求的人工智慧。
視覺系統設定的重要性
在進入AI之前,建議在視覺系統設定方面要有紮實的基礎。不過,這對人工智慧來說沒有那麼重要,因為其通常可以處理比傳統系統更糟糕的條件。所有常規的機器視覺系統規則都適用於此——良好的照明、相機解析度、焦距等。如果這些因素中有任何一個沒有達到標準,那麼在深入研究AI之前,有必要先回頭解決這些問題。確保強大的視覺系統設置,以獲得最佳的結果。
參考人類表現
人工智慧系統在人類表現強大的地方最為成功。一旦系統設定好,操作員可以輕鬆地用眼睛識別/分類影像,這樣就可以確定其是否適合AI。然而,如果人類的表現不足,那麼AI模型很可能會表現不佳。將人類的表現作為AI模型能夠實現的參考點,如果操作員辨識影像的正確率只有70%,那麼人工智慧的表現不太可能比這更好。因此,如果人類的性能對於應用程式來說不夠好,應該首先解決該性能問題,並將其提高到可接受的水平。一旦操作員達到了預期的性能,便可考慮AI。
時間和資源
收集影像和訓練模型需要付出相當大的努力。通常,收集高品質的圖像是最困難的部分,因為許多製造商的缺陷量非常低。如果缺少數據,可能很難訓練有缺陷部件的模型。訓練工具很有幫助,其提供了需要較少樣本進行訓練的預訓練模型。訓練是一個迭代過程,跨越多個步驟,找出理想參數,以使模型運作。優化模型通常需要時間和實驗。此外,如果現場出現新數據,模型將需要再次訓練和部署。
人工智慧在機器視覺中的一個範例應用是用於總裝檢測,另一個是印刷電路板或PCB偵測。
❶ 組裝偵測:
#背景
零件/產品或元件的最終檢查通常由操作人員、或傳統的機器視覺系統、或兩者兼而完成。這裡將重點介紹Teledyne相機作為範例產品。最終檢查可能會檢查彎曲的大頭針、表面的刮痕、連接器的正確位置、貼紙的對齊、文字的正確列印以及機械裝置之間的距離等等。基本上,需要找到在建置過程中發生的任何異常。但這樣,需要快速找到的標準清單會變得很長。傳統的基於規則的系統很難處理所有極端情況,而培訓新的操作人員也很困難。
為什麼是AI?
通常有太多的規則來決定什麼是「通過」。這使得傳統的機器視覺系統難以實現良好的性能。另一個選擇是,對於許多公司來說,人工檢查非常耗時,而且對於新營運商來說,很難做出一些模糊的判斷。傳統的基於規則的系統往往沒有足夠的性能,製造商依賴運營商的判斷來提供幫助。可能會有不同的光照條件,以及缺陷位置、形狀和紋理的高度變化。通常,只需要一個簡單的「好/壞」的定性輸出。但是,如果需要,這也可以與傳統的基於規則的演算法相結合。
好處
#有了AI,設定就容易多了。在收集了大量的圖像來訓練模型之後,讓一個系統運行通常比基於規則的系統,特別是使用AI工具,要少得多的開發工作。使用適當的系統,通常是使用GPU,檢查速度要快得多,檢查速度大約是毫秒。如果提供良好的數據,人工智慧系統的表現也應該比人類更可靠,並且是標準化檢查程序的好方法。該演算法通常由多個操作人員提供的資料進行訓練,可以減少人為錯誤。這有助於減輕單一操作員可能產生的人類偏見或疲勞。在這個例子中,AI可以幫助製造商減少開箱即用的故障,並提高檢測品質和吞吐量。
❷ PCB偵測 :
背景
PCB製造商需要檢查其電路板是否有任何缺陷。可能是焊點不良、短路或其他的異常情況。通常會使用AOI(自動光學檢查)機器。然而,由於缺陷的變化太多,很難處理所有的邊緣情況。且基於規則的系統的性能不夠準確,製造商會請操作人員進行人工檢查,既費時又昂貴。
為什麼是AI?
傳統的AOI系統很難辨識缺陷。其要么過衝或低於性能,導致有缺陷的PCB通過或良好的PCB失敗。與其他情況類似,有太多的規則來確定一個「好電路板」。根據應用的不同,這裡可以使用AI對尺寸和形狀差異很大的缺陷進行分類,像是短路、開路、錯誤元件、焊接缺陷等。
好處
借助人工智慧,製造商可以提高偵測的準確性和品質。這有助於減少通過檢查的有缺陷PCB的數量。同時,還可以節省任何人工輔助檢查的時間和人力成本,並透過自動化,完成操作人員需要更長時間完成的工作來提高吞吐量。
以上是如何辨識AI在機器視覺中的機會?的詳細內容。更多資訊請關注PHP中文網其他相關文章!