人工智能提高了机器视觉系统的性能和多功能性

深度学习解决了一系列传统的基于规则的机器视觉无法解决的问题，或者使用传统工具非常难以解决的问题。因此，它开启了以前无法自动化的自动化检查的可能性。深度学习在产品在“好”或“有缺陷”方面具有高度可变性的情况下特别有用，例如一些食品。例如，苹果或烘培食品可以有各种各样的特点。

人工智能不是魔法
AI并不是魔法，就像所有传统的机器视觉应用一样，只要有合适的传感器、图像采集和照明配置，这个问题就会变得容易得多Neurala。“例如，我们正在与一家大型食品公司合作，该公司正在检查其过程中的原材料输入，以确定污染物的存在。对于这个用例，高光谱相机是理想的，因为它们使视野中有异物非常明显。同样，我们有烘焙食品制造商寻找确定水分使用的存在短波红外成像相机这使得这项任务变得容易得多。”

强大的机器视觉基础，包括图像形成和照明稳定性，是任何机器视觉系统成功的关键。然而，基于现成2D相机和镜头技术的工作单元减少了与视觉引导机器人单元相关的硬件费用。“这些工作细胞在环境光下工作，不受光线变化的影响，”解释说Apera人工智能营销主管埃里克·佩茨。“这包括在各种天气条件下在室外工作的能力，这与传统视觉相比是有利的，传统视觉容易受到光线变化的影响，必须使用专门的设备进行扫描、光线控制和其他任务。”

软件定义照明
他说:“机器视觉80%的挑战都来自于照明UnitX高级业务发展代表科尔·泰勒。一些人工智能视觉系统依赖于软件定义的照明，这些照明可以进行调整，以便在捕获的图像中真正突出缺陷。通过软件定义的照明与人工智能相结合，从而提高了制造产量和质量。

UnitX高级业务开发代表Cole Taylor解释说:“[这个]系统可以训练每个缺陷的五张图像和一个好部件的图像。”“该系统非常可定制，表面缺陷尺寸的阈值可以定制，以满足客户的特定需求。”

领头羊的应用程序
在大多数情况下，一个人的成功基于ai的机器视觉应用程序在很大程度上取决于选择合适的应用程序。通常，高度可变的“好”产品和高度可变的“缺陷”是人工智能检测能力的核心。例如，Neurala与健康和社会保健领域领先的膳食生产商apetito合作。在每周生产超过100万份餐点的同时，apetito希望找到一种解决方案，能够在不影响效率或成本的情况下，有效地检测出下线产品中缺失的成分，更好的是，两者都能提高。

范思哲说:“寻找缺失的成分是一项艰巨的任务。”“对丢失的东西进行分类比我们想象的要困难得多。饭菜包括青豆、咖喱鸡、牛肉和肉汁等。所有这些看起来都大不相同，但在这种情况下，人工智能确实做得很好，因为称重托盘没有帮助，因为一个组件的过量可能会抵消另一个组件的缺失。在产品包装检查中，我们也有类似的情况，我们会检查标签的正确性，在注塑成型应用中，我们会识别零件上任何地方可能出现的短镜头或毛刺，等等。都是高度可变的问题。”

人工智能视觉的另一个领头羊应用示例包括一家一级汽车供应商，该供应商使用Apera AI的系统指导机器人在黑色传送带上分类高度相似的黑色塑料部件。传送带上的物体人眼很难识别，物体之间的差别很小。佩茨说:“在末端有一些只有毫米长的小特征。”“传统视觉无法完成这项任务，当然也赶不上人工智能视觉的执行速度。”

另一家一级汽车供应商使用Apera AI的系统来引导机器人将夹子放入注塑成型的内部组件中。夹子必须非常精确地放置，机器人施加压力使夹子固定在塔中。然而，这项任务并不容易，因为注塑成型的零件受到弯曲和尺寸变化的影响。Apera系统可以找到夹塔，放置夹，并应用温柔的按压用机器人固定到夹子上。根据Petz的说法，Apera人工智能系统将该公司的零件质量合格率提高到了99%以上，这是一个显著的进步，因为以前，很高比例的零件需要返工或处理(由于机器人损坏了零件)。

当基于规则的机器视觉失败时
基于ai的机器视觉Petz表示，对于任何传统机器视觉无法实现的应用来说，这是一种很自然的选择。由于物体识别和机器人路径规划速度缓慢，需要控制和操纵光线，或者由于物体表面、几何形状和其他因素而有太多例外情况，可能会发生此类故障。

关键的考虑
在为人工智能视觉确定了正确的项目之后，还有许多重要的因素需要考虑，比如传感器的选择，模型开发需要多少图像，以及将视觉人工智能添加到现有的检查设置中需要什么——所有这些问题都同样重要。另一个需要考虑的关键因素是，是否需要员工具备任何额外的技能来成功实施和维护视觉人工智能系统。范思哲解释说:“为了快速、经济地得到正确的答案，最好是与一个在解决你这样的问题方面有丰富经验的合作伙伴合作。”“如果不这样做，你可能会报名参加一个昂贵且不必要的‘试错’试点项目。”

现实情况是，无论使用什么数据来训练模型，都可能无法解释未来可能发生的每一种情况。重要的是要接受随着时间的推移而适应的概念。例如，检查环境的轻微变化，如照明、零件或相机位置，都可能导致人工智能模型做出错误的预测。

爬，走，跑
人工智能的性能高度依赖于为其提供动力的数据的质量和数量。确定数据的正确比例可以决定应用程序的成败。因此，范思哲强烈主张组织采取“爬行、行走、奔跑”的方式来实施人工智能检查。

爬行是指尽可能低成本地确认项目的可行性。范思哲解释说:“例如，我们和我们的合作伙伴经常进行低成本或无成本的可行性研究，以证明技术上的可行性。”

仅仅因为你可以用人工智能解决问题，并不意味着它将是一个引人注目的商业案例。考虑到这一点，步行意味着去现场验证在一个队列中实施它可能需要多少成本。根据范思哲的说法，大多数解决方案的成本是90%的硬件和服务，而不是实际的人工智能软件，这在很大程度上受到运动控制与集成。

“一旦这些费用被确定下来，就付诸实施。不是10个，只有一个，”他强调说。“这样就可以确认生产过程中发生了什么。只有这样，您才能运行全面的多线部署。第一次部署中的一些内容将影响您如何处理接下来的10次部署。相信我!”

前期可行性
Cole也认为项目的可行性是一个需要考虑的关键因素。“我们通常会让客户把零件送到总部和圣何塞的实验室，在那里我们进行测试，并创建一份报告，表明我们有能力检测到感兴趣的缺陷。”

同样，Apera AI使用合成数据构建神经网络，随着输入的调整，神经网络会逐渐变得更好。根据Petz的说法，通过一波又一波的计算，人工智能可以逐步改善机器人细胞的结果。

Petz解释说:“预先验证新应用程序是成功的关键，使用深度学习的人可以做到这一点，因为这项技术的工作原理。”“过去的情况是，你会遇到一个问题或希望改进，然后假设某些硬件技术可以提供解决方案，当定制编程将它们结合在一起时。之前的模式将大部分或全部支出放在了前面。使用基于人工智能的软件，生成的单元的性能可以在投入硬件之前模拟数百万次。这是自动化项目工作方式的巨大转变。”