为制造和自动化应用选择现成的人工智能

在工业自动化领域的墙壁和实验室之外的日常生活中，人工智能(AI)的定义差异很大。事实上，“人工智能”作为一种技术并不一定存在。

相反，它指的是一门涵盖几种不同技术和工程学科的科学，包括机器视觉、计算机视觉、机器学习和深度学习。当一个基于这些技术组合的系统被精心设计时——从应用分析到最终验证——它可以在工厂车间增加巨大的价值。

人工智能在制造业中的出现

被称为“人工智能之父”的斯坦福大学计算机科学教授约翰·麦卡锡(John McCarthy)表示，人工智能可以被定义为“制造智能机器，特别是智能计算机程序的科学和工程”。这与使用计算机理解人类智能的类似任务有关，但人工智能不必局限于生物学上可观察到的方法。”

在这种情况下，人工智能可以为不同行业的制造商提供有价值的机器视觉系统自动检测工具。在人工智能中有子集机器学习和深度学习。机器学习使用的技术使机器能够“学习”以改进不同的任务。其中一种技术是深度学习，它使用人工神经网络，如卷积神经网络(cnn)，模仿人类大脑的学习过程。

作为机器学习的一个子集，深度学习(也就是机器学习)在工业自动化领域已经变得很流行，因为它能够从对模型的持续分析中“学习”。深度学习的过程始于数据。例如，为了帮助机器视觉发现产品缺陷，制造商将通过上传图像来创建一个初始数据集，这些图像描述了必须检测到的缺陷或特征类别以及“良好”图像。通过协作标记初始数据集，训练模型并使用原始数据集的测试图像验证结果，测试生产中的性能，以及重新训练以覆盖新的用例、特征或缺陷，深度学习随之而来。

当考虑了所有的因素，并遵循了将深度学习工具实现到新的或现有的自动检查系统中的适当步骤时，该软件在许多应用程序中提供了价值，包括缺陷检测、特征分类和装配验证等任务。具体来说，这些人工智能技术可以在需要人工检查员的情况下帮助进行主观检查决策。人工智能还可以帮助检查由于高度复杂性或可变性而难以识别特定特征的场景。

增强机器视觉系统

并不是每个应用程序都能从人工智能中受益，人工智能也不是一项独立的技术。相反，人工智能技术代表了自动检测工具箱的强大工具，可以部署在几个不同的行业，当涉及到选择解决方案时，制造商有很多选择。他们可以使用PyTorch或TensorFlow等框架在内部编写解决方案，购买现成的解决方案，或者选择特定于应用程序的支持ai的产品或系统。

市场上存在一些现成的人工智能解决方案，允许最终用户构建自己的模型，而不绑定到特定的应用程序。小学的例如，QA平台提供了该公司所谓的“全栈视觉系统”，该系统具有摄像头和机器学习软件，具有高级分析功能，旨在识别问题，不断改进，并为各种制造过程提供新的见解。该系统结合了传统的机器视觉工具，如条形码读取和光学字符识别，以及机器学习功能，为系统增加了额外的检测功能。

产品副总裁Mike Bruchanski表示:“人工智能不是魔法，它不能做所有事情，但它可以为自动检测系统添加强大的新功能。”“异常检测——比如在谷物中发现一块透明塑料——是基于机器学习的视觉工具的一个明确的例子，它可以与机器视觉系统协同工作，进行质量控制。”

根据Bruchanski的说法，Elementary视觉系统的常见检测应用包括消费品包装(包括标签、瓶盖和配套)、医疗设备、汽车零部件和装配、食品和饮料产品，这些产品通常涉及一种独特的装配检查。

“例如，在预先包装的早餐三明治检查中，很难建立一个模式，让软件了解奶酪是否不在正确的位置或根本不在那里，但我们的机器学习工具允许视觉系统查看堆叠的三明治以快速确定，”他说。“我们的平台在医疗设备组装检查中提供类似的方法，同时还执行一系列汽车检查，从监管标签识别到检查焊缝的凹坑、空洞或裂缝。”

机器人采用率正在上升

近年来出现了更多针对特定应用的人工智能产品，其目标是简化某些任务。在某些情况下，这可能涉及到整个系统，可以在几个小时内启动并运行。机器人技术的快速快速机器操作员(RMO)代表了这种系统的一个主要例子。设计用于处理常见的机器操作员任务，每个RMO包括一个6轴机器人手臂，3D深度传感器，抓手和用于边缘计算和人工智能处理的控制盒。据该公司称，rmo带有预先训练好的人工智能算法。

Rapid Robotics产品副总裁Juan Aparicio表示:“每个RMO都是为了满足独特的客户生产要求而设计的。”“这些模块化的工作单元使制造商能够快速、低成本、低风险地扩展自动化。”

阿帕里西奥表示，人工智能的进步使机器人自动化比以往任何时候都更容易、更有效地部署。

“在我们的领域，人工智能最重要的价值主张之一是多样化谁可以自动化。普遍的说法是，自动化已经渗透到了美国制造业。通过我们的工作，我们发现情况肯定不是这样。”

他补充说，“麻省理工学院最近的一份报告未来的工作令研究人员惊讶的是，他们发现在中小型制造商中存在的机器人“非常少”。

Aparicio表示，基于人工智能的机器人部署存在许多机会，包括质量检查、自主移动机器人、装配和生成设计。

在机器人领域，Photoneo在其自动化解决方案中使用人工智能方法来识别、挑选和分类混合类型的物品。该公司利用cnn并在一个大型物体数据集上训练它们来识别各种形状、大小、颜色或材料的物品。如果软件遇到一个以前从未见过的物体，它可以根据之前遇到或训练过的类似物体来识别和分类该物体。此外，如果客户需要挑选可能导致模型性能下降的不寻常或自定义物品，则可以对软件进行特定数据集的训练。

Photoneo的公关专家Andrea Pufflerova说:“客户通常需要一个机器人物品挑选系统，它可以识别、挑选和分类各种形状、大小、颜色或材料的物品。”“将人工智能集成到这样的解决方案中，客户可以定位和处理混合对象类型，包括水果或鱼等有机物品。”

她补充说:“这甚至可能包括那些通常难以识别的物品，比如袋子，它们是灵活的，可变形的，充满了皱纹和不规则性。”

全面定制解决方案

希望在运营中部署人工智能软件的公司可以更进一步，拥有一家类似的公司Prolucid构建和集成自定义机器学习模型，包括支持数据收集和标记、模型训练和部署。

Prolucid首席执行官Darcy Bachert解释说:“作为一个系统集成商，我们的重点是应用先进的计算机视觉和基于人工智能的模型来帮助复杂的制造检测应用以及各种非制造业客户，包括核和医疗。”“我们的典型方法是使用计算机视觉或其他现有工具以尽可能简单的方式解决问题。如果我们遇到不太适合这些应用程序的应用程序，那么我们会将人工智能视为一种选择，并从寻找适合特定用例的现成模型开始，例如异常检测或特征分类。”

Bachert指出，TensorFlow等开源平台以及整个Python生态系统对人工智能在制造业和其他应用中的应用产生了重大的积极影响。TensorFlow提供了针对相关用例设计的预训练模型。

他解释说:“从头开始开发一个模型可能非常耗时，这对制造业客户来说往往是不切实际的。”“然而，如果可以使用预训练版本，那么它将大大简化初始投资。”

展望制造业人工智能的未来

人工智能在制造业中的未来，自动化可能涉及使用高级分析来早期识别缺陷趋势，并最终防止它们发生。例如，机器学习可以识别公司在一天中的某些部分何时产生更多缺陷，或者由于打印机墨水不足，日期代码标签何时开始褪色。根据Bruchanski的说法，该技术将识别出过程何时出现问题，并向系统或操作员发送命令进行调整。

他说:“在未来，机器学习可以通过检测缺陷、识别错误根本原因的趋势来帮助优化流程，向制造商提供这些数据，并最终帮助他们进一步走向无缺陷的环境。”

Pufflerova表示，结合基于模型和人工智能驱动方法的不断发展的混合人工智能模型也为工业应用提供了潜力。

她说:“目前，仅仅训练一个系统在有限的样本集上表现良好可能还不够——我们还需要了解它的内部表征。”“与传统的黑匣子机器学习或深度学习方法相比，混合人工智能模型提供了更快、更简单的学习，以及更好的可解释性。”

对阿帕里西奥来说，要谈论机器人自动化，就必须同时谈论未来的劳动力。

他说:“就人工智能和自动化使人类的角色过时而言，机器人的创新将带来变化，但最终将为人类带来更多机会。”“例如，机器人的部署总是需要使用工程师来协调各种集成过程，混合硬件和软件，并设计可靠的系统。”

随着软件成为机器人培训和支持的主要工具，这些角色可能会更多地融入IT。考虑到这些技术的发展速度，公司可能会决定与垂直集成解决方案提供商合作，让他们在供应商管理机器人车队的同时，更多地专注于发展自己的业务。阿帕里西奥解释说，在这种情况下，机器人劳动力将从一个分散的团队转变为一个集中的方法，使机器人即服务公司能够利用规模经济和集中培训。

当谈到克服阻碍更快采用人工智能的障碍时，Bachert得出的结论是，人工智能只是另一个可以用于工业自动化的工具。“随着开源社区的不断发展和更多预训练模型的出现，这些技术进入现实世界应用的门槛降低了。”然而，他警告说，这种采用需要最终客户投资于团队内部的培训，因为人工智能具有非常明显的挑战，而这些挑战并不总是存在于简单的计算机视觉或检查应用中。