制造业中的人工智能是一个时髦的术语。 在描述基于人工智能的缺陷检测解决方案时，通常是基于深度学习和计算机视觉的视觉检测技术。
什么是视觉检测中的深度学习？
深度学习是由人工神经网络驱动的机器学习技术的一个方面。 深度学习技术的工作原理是教机器通过实例学习。 通过为神经网络提供特定数据类型的标记示例，可以提取这些示例之间的共同模式，然后将它们转换为数学方程。 这有助于对未来的信息进行分类。
借助视觉检测技术，集成深度学习算法可以区分零件、异常和字符，在运行计算机化系统的同时模拟人类视觉检测。
那么，它到底是什么意思呢？ 让我们举一个例子：
如果您要为汽车制造创建视觉检测软件，您应该开发一种基于深度学习的算法，并使用它必须检测的缺陷示例对其进行训练。 有了足够的数据，神经网络最终会在没有任何额外指令的情况下检测缺陷。
基于深度学习的视觉检测系统擅长检测性质复杂的缺陷。 它们处理复杂的表面和外观缺陷，并对零件的表面进行概括和概念化。
如何集成AI视觉检测系统
1. 说明问题
目视检查开发通常从业务和技术分析开始。 这里的目标是确定系统应该检测什么样的缺陷。
要问的其他重要问题包括：
- 什么是视觉检测系统环境？
- 检查应该是实时的还是延期的？
- 视觉检测系统应该如何彻底检测缺陷，是否应该按类型区分？
- 是否有任何现有的软件可以集成视觉检测功能，还是需要从头开始开发？
- 系统应如何将检测到的缺陷通知用户？
- 视觉检测系统是否应该记录缺陷检测统计数据？
- 关键问题是：是否存在用于深度学习模型开发的数据，包括“好”和“坏”产品的图像以及不同类型的缺陷？
数据科学工程师根据他们收到的答案选择最佳的技术解决方案和流程。
2. 收集和准备数据
数据科学工程师必须在深度学习模型开发开始之前收集和准备训练未来模型所需的数据。 对于制造流程，实施物联网数据分析非常重要。 在讨论视觉检测模型时，数据通常是视频记录，其中视觉检测模型处理的图像包括视频帧。 数据收集有多种选择，但最常见的是：
- 获取客户提供的现有视频记录
- 获取适用于特定目的的开源视频记录
- 根据深度学习模型要求从头开始收集数据
这里最重要的参数是视频记录的质量。 更高质量的数据将导致更准确的结果。
一旦我们收集了数据，我们就会为建模做好准备、清理它、检查异常并确保其相关性。
3. 开发深度学习模型
深度学习模型开发方法的选择取决于任务的复杂性、所需的交付时间和预算限制。 有几种方法：
使用深度学习模型开发服务（例如：Google Cloud ML Engine、Amazon ML 等）
当缺陷检测功能的要求与给定服务提供的模板一致时，这种类型的方法是有意义的。 这些服务可以节省时间和预算，因为无需从头开始开发模型。 您必须根据相关任务上传数据并设置模型选项。
有什么问题？ 这些类型的模型不可定制。 模型的功能仅限于给定服务提供的选项。
使用预训练模型
预训练模型是一个已经创建的深度学习模型，它完成类似于我们想要执行的任务。 我们不必从头开始构建模型，因为它使用基于我们数据的训练模型。
预训练模型可能不会 100% 符合我们的所有任务，但它可以节省大量时间和成本。 使用之前在大型数据集上训练过的模型，我们可以根据我们的问题定制这些解决方案。
从头开始开发深度学习模型
这种方法非常适用于复杂且安全的视觉检测系统。 这种方法可能需要大量时间和精力，但结果是值得的。
在开发自定义视觉检测模型时，数据科学家会使用一种或多种计算机视觉算法。 这些包括图像分类、对象检测和实例分割。
许多因素会影响深度学习算法的选择。 这些包括：
- 业务目标
- 物体/缺陷的大小
- 照明条件
- 检验产品数量
- 缺陷类型
- 图像分辨率
缺陷类别示例：
假设我们正在开发用于建筑物质量评估的目视检查模型。 主要重点是检测墙壁上的缺陷。 需要大量数据集才能获得准确的视觉检查结果，因为缺陷类别可能非常多样化，从油漆剥落和霉菌到墙壁裂缝。 这里的最佳方法是从头开始开发基于实例分割的模型。 在某些情况下，预先训练的模型方法也是可行的。
另一个例子是药物制造的目视检查，您希望将气泡与产品中的颗粒区分开来，例如高粘性的母液。 气泡的存在是这里唯一的缺陷类别，因此所需的数据集不会像上面的示例那样广泛。 最佳的深度学习模型开发方法可能是使用模型开发服务而不是从头开始开发。
4. 培训和评估
开发视觉检测模型后的下一步是对其进行训练。 在这个阶段，数据科学家验证和评估模型的性能和结果准确性。 测试数据集在这里很有用。 视觉检查系统可能是一组视频记录，这些记录要么是过时的，要么是类似于我们要在部署后处理的。
5. 部署和改进
在部署视觉检测模型时，重要的是要考虑软件和硬件系统架构如何与模型容量对应。
软件
视觉检测驱动软件的结构基于用于数据传输的 Web 解决方案和用于神经网络处理的 Python 框架的组合。
这里的关键参数是数据存储。 有三种常见的数据存储方式：在本地服务器上、云流服务或无服务器架构。
视觉检查系统涉及视频记录的存储。 数据存储解决方案的选择通常取决于深度学习模型功能。 例如，如果视觉检查系统使用大型数据集，则最佳选择可能是云流服务。
硬件
根据行业和自动化流程，集成视觉检测系统所需的设备可能包括：
- 相机：关键的摄像头选项是实时视频流。 一些示例包括 IP 和 CCTV。
- 网关： 专用硬件设备和软件程序都适用于视觉检测系统。
- 中央处理器 / 图形处理器：如果需要实时结果，GPU 将是比 CPU 更好的选择，因为前者在基于图像的深度学习模型方面具有更快的处理速度。 可以优化 CPU 来运行视觉检查模型，但不能优化用于训练。 最佳 GPU 的一个例子可能是 杰森纳米.
- 光度计 （可选）：根据视觉检测系统环境的照明条件，可能需要光度计。
- 色度计 （可选）：在检测光源的颜色和亮度时，成像色度计始终具有高空间分辨率，可进行详细的目视检查。
- 热像仪 （可选）：在蒸汽/水管道和设施的自动检查的情况下，拥有热像仪数据是一个好主意。 热像仪数据为热/蒸汽/水泄漏检测提供了有价值的信息。 热像仪数据也可用于隔热检查。
- 无人机电调 （可选）：如今很难想象在没有无人机的情况下对难以到达的区域进行自动检查：建筑物内部结构、天然气管道、油轮目视检查、火箭/航天飞机检查。 无人机可能配备高分辨率相机，可以进行实时缺陷检测。
深度学习模型在部署后可以改进。 深度学习方法可以通过新数据的迭代收集和模型重新训练来提高神经网络的准确性。 结果是一个“更智能”的视觉检查模型，它通过在操作期间增加数据来学习。
视觉检查用例
健康防护
在与 COVID-19 的斗争中，大多数机场和过境点现在都可以检查乘客是否有这种疾病的迹象。
百度大型中国科技公司开发了基于人工智能的大型视觉检测系统。 该系统由基于计算机视觉的摄像头和红外传感器组成，可预测乘客的温度。 该技术，在 北京清河火车站，每分钟最多可筛选 200 人。 AI 算法会检测任何体温超过 37.3 度的人。
另一个现实案例是由开发的基于深度学习的系统。 阿里巴巴 公司。 该系统可以在胸部 CT 扫描中以 96% 的准确率检测冠状病毒。 通过访问 5,000 个 COVID-19 病例的数据，系统在 20 秒内执行测试。 而且，它可以区分普通病毒性肺炎和冠状病毒。
航空公司
据波音公司称，价值 70 万亿美元的航空航天服务市场中有 2.6% 致力于质量和维护。 2018 年，空中客车公司推出了全新的自动化、 基于无人机的飞机检查系统 加快和促进目视检查。 这一发展减少了飞机停机时间，同时提高了检查报告的质量。
汽车行业
丰田最近同意以 1.3 亿美元和解，原因是一个缺陷导致汽车即使在驾驶员试图减速时也会加速，导致 6 人在美国死亡 使用视觉检查系统的认知能力，如 康耐视 ViDi，汽车制造商可以更准确地分析和识别质量问题，并在问题发生之前予以解决。
计算机设备制造
对更小的电路板设计的需求正在增长。 富士通实验室一直带头开发 支持人工智能的识别系统 用于电子行业。 他们报告在质量、成本和交付方面取得了重大进展。
纺织品
自动化视觉检查和深度学习方法的实施现在可以检测纹理、编织、拼接和颜色匹配问题。
例如， Datacolor 的人工智能系统 可以考虑过去目视检查的历史数据，以创建与样本更匹配的自定义容差。
我们将引用我们之前提到的总经理的一句话作为总结：“建议的技术是否最好对我来说没有区别，但我确实关心它解决我的问题的效果如何。”
太阳能板
众所周知，太阳能电池板会受到灰尘和微裂纹的影响。 在制造过程中以及安装前后自动检查太阳能电池板是一个好主意，可以防止装运出现故障的太阳能电池板并快速检测太阳能发电场上损坏的电池板。 例如，大疆企业 使用无人机 用于太阳能电池板检查。
管道检查
众所周知，天然气和石油管道的长度很大。 2014 年的最新数据显示，全球 2,175,000 个国家/地区的管道总长度略低于 3,500,000 英里（120 公里）。 天然气和石油泄漏可能导致化学污染、爆炸和火灾，对自然造成巨大危害。
借助计算机视觉技术的卫星和无人机检查是早期检测和定位油气泄漏的好工具。 最近，DroneDeploy 报道 他们绘制了大约 180 英里的管道。
AI 视觉检测：关键要点
- 提案：Al 视觉检测基于传统的计算机视觉方法和人类视觉。
- 选择：深度学习模型开发方法取决于任务、交付时间和预算限制。
- 算法：深度学习算法通过在运行计算机化系统时模仿人类分析来检测缺陷。
- 建筑：软硬件要对应深度学习模型容量。
- 主要问题：在开始目视检查时，主要问题是“系统应该检测哪些缺陷？”
- 改进：部署后，深度学习模型通过数据积累变得“更智能”。
柏拉图重新构想的 Web3。 数据智能放大。
单击此处访问。
来源：https://www.iotforall.com/ai-visual-inspection-for-defect-detection-in-manufacturing
