人工智能(AI)正在被各行業采用，以利用數據的力量，并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序中識別AI的機會。

人工智能系統的業務需求

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。有些應用程序更適合傳統的計算機視覺，有些可能兩者都需要，而有些可能只需要人工智能。人工智能系統是昂貴的——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才能在系統上實現足夠的性能。許多制造商往往沒有GPU或同等的處理能力。因此，重要的是要確定哪些應用程序非常適合具有強大業務需求的人工智能。

視覺系統設置的重要性

在進入AI之前，建議在視覺系統設置方面要有扎實的基礎。不過，這對人工智能來說沒有那么重要，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于此——良好的照明、相機分辨率、焦距等。如果這些因素中有任何一個沒有達到標準，那么在深入研究AI之前，有必要先回過頭來解決這些問題。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

人工智能系統在人類表現強大的地方最為成功。一旦系統設置好，操作員可以輕松地用眼睛識別/分類圖像，這樣就可以確定其是否適合AI。然而，如果人類的表現不足，那么AI模型很可能表現不佳。將人類的表現作為AI模型能夠實現的參考點，如果操作員識別圖像的正確率只有70%，那么人工智能的表現不太可能比這更好。因此，如果人類的性能對于應用程序來說不夠好，應該首先解決該性能問題，并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

收集圖像和訓練模型需要付出相當大的努力。通常，收集高質量的圖像是最困難的部分，因為許多制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，以使模型運行。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。

人工智能應用程序示例:

人工智能在機器視覺中的一個示例應用是用于總裝檢測，另一個是印刷電路板或PCB檢測。

? 總裝檢測：  

背景

零件/產品或組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。這里將重點介紹Teledyne相機作為示例產品。最終檢查可能會檢查彎曲的大頭針、表面的劃痕、連接器的正確位置、貼紙的對齊、文本的正確打印以及機械裝置之間的距離等等。基本上，需要找到在構建過程中發生的任何異常。但這樣，需要快速查找的標準列表會變得很長。傳統的基于規則的系統很難處理所有極端情況，且培訓新的操作人員也很困難。

為什么是AI?

通常有太多的規則來確定什么是“通過”。這使得傳統的機器視覺系統難以實現良好的性能。另一種選擇是，對于許多公司來說，人工檢查非常耗時，且對于新運營商來說，很難做出一些模棱兩可的判斷。傳統的基于規則的系統往往沒有足夠的性能，制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于規則的算法相結合。

好處

有了AI，設置就容易多了。在收集了大量的圖像來訓練模型之后，讓一個系統運行通常比基于規則的系統，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，檢查速度大約為毫秒。如果提供良好的數據，人工智能系統的表現也應該比人類更可靠，并且是標準化檢查程序的好方法。該算法通常由多個操作人員提供的數據進行訓練，可以減少人為錯誤。這有助于減輕單個操作員可能產生的人類偏見或疲勞。在這個例子中，AI可以幫助制造商減少開箱即用的故障，并提高檢測質量和吞吐量。

? PCB檢測 ：

背景

PCB制造商需要檢查其電路板是否存在任何缺陷。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，由于缺陷的變化太多，很難處理所有的邊緣情況。且基于規則的系統的性能不夠準確，制造商會請操作人員進行人工檢查，這既費時又昂貴。

為什么是AI?

傳統的AOI系統很難識別缺陷。其要么過沖或低于性能，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，這里可以使用AI對尺寸和形狀差異很大的缺陷進行分類，像短路、開路、錯誤元件、焊接缺陷等。

好處

借助人工智能，制造商可以提高檢測的準確性和質量。這有助于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，并通過自動化，完成操作人員需要更長時間完成的工作來提高吞吐量。