在工業自動化領域的生產和實驗室之外的日常生活中，人工智能(AI)的定義差異很大。

“人工智能”指的是一門包含了幾種不同技術和工程學科的科學，包括機器視覺、計算機視覺、機器學習和深度學習。當一個基于這些技術組合的系統設計得當時（從應用分析到最終驗證），它可以為工廠增加巨大的價值。

人工智能在制造業的興起

被稱為“人工智能之父”的斯坦福大學計算機科學教授JohnMcCarthy)表示，人工智能可以被定義為“制造智能機器，特別是智能計算機程序的科學和工程”。它與使用計算機了解人類智能的類似任務有關，但人工智能不必局限于生物學上可觀察到的方法。”

在這種情況下，人工智能可以為不同行業的制造商提供機器視覺系統自動化檢測的有價值的工具。在人工智能中有機器學習和深度學習的子集。機器學習使用使機器能夠“學習”以提高不同任務的技術。其中一種技術是深度學習，它使用人工神經網絡，例如卷積神經網絡，模擬人腦的學習過程。

作為機器學習的一個子集，深度學習以及機器學習在工業自動化領域已經變得流行，因為它能夠隨著時間的推移從模型的持續分析中“學習”。深度學習的過程始于數據。例如，為了幫助機器視覺發現產品缺陷，制造商將通過上傳描述缺陷或特征的圖像來創建一個初始數據集，這些圖像必須與“好”圖像一起被檢測出來。通過協作標記初始數據集，訓練模型并使用原始數據集的測試圖像驗證結果，測試生產中的性能，并重新訓練以覆蓋新的案例、特征或缺陷，深度學習就隨之而來了。

當考慮了所有因素并遵循了適當的步驟，將深度學習工具實現到新的或現有的自動化檢測系統中時，該軟件在許多應用程序中提供了價值，包括缺陷檢測、特征分類和裝配驗證等任務。具體來說，這些人工智能技術可以幫助進行主觀檢查決策，否則就需要進行人工檢查。人工智能還可以幫助檢查由于高度復雜性或可變性而難以識別特定特征的場景。

增強機器視覺系統

并不是每個應用程序都受益于人工智能，而且它不是獨立的技術。與其相反，人工智能技術代表了自動化檢測工具箱的強大工具，可以部署在幾個不同的行業，在選擇解決方案時，制造商有多種選擇。他們可以使用PyTorch或TensorFlow等框架在內部編寫解決方案，購買現成的解決方案，或者選擇特定于應用程序的支持人工智能的產品或系統。

市場上有幾個現成的人工智能解決方案，允許最終用戶構建自己的模型，而不綁定到特定的應用程序。例如，Elementary的QA平臺提供了該公司所謂的“全堆棧視覺系統”，該系統具有攝像頭和機器學習軟件，具有先進的分析功能，旨在識別問題，持續改進，并解鎖對各種制造流程的新見解。該系統結合了傳統的機器視覺工具，如條形碼讀取和光學字符識別以及機器學習功能，為系統添加額外的檢測功能。

人工智能視覺系統的常見檢測應用包括消費品包裝(包括標簽、帽子和配套)、醫療設備、汽車零部件和裝配以及食品和飲料產品(通常涉及獨特的裝配檢測版本)。

Elementary公司產品副總裁MikeBruchanski說:“例如，在預先包裝的早餐三明治檢查中，很難建立一種模式，讓軟件了解奶酪是否不在正確的位置，但我們的機器學習工具允許視覺系統查看堆疊的三明治，以快速做出判斷。我們的平臺在醫療設備組裝檢查中提供了類似的方法，同時還執行一系列汽車檢查，從監管標簽識別到檢查焊縫的凹坑、空洞或裂紋。”

機器人的采用正在上升

近年來出現了一些特定于應用程序的人工智能產品，其目標是精簡和簡化某些任務。在某些情況下，這可能涉及到在數小時內啟動并運行的整個系統。快速機器人公司的快速機器操作員(RMO)是這種系統的一個主要例子。每個RMO旨在處理常見的機器操作員任務，包括一個6軸機械臂、3D深度傳感器、抓手和一個用于邊緣計算和人工智能處理的控制盒。據該公司稱，快速機器操作員(RMO)配備了預先訓練過的人工智能算法。

人工智能的進步使機器人自動化比以往任何時候都更容易、更有效地部署。在自動化領域，人工智能最重要的價值主張之一是自動化人才的多樣化。普遍的說法是，自動化已經滲透到美國制造業。

令研究人員驚訝的是，麻省理工學院最近一份關于未來工作的報告發現，中小型制造商中“很少”存在機器人。

而基于人工智能的機器人部署其實有很多機會，包括質量檢測、自主移動機器人、組裝和生成設計。

在機器人領域，Photoneo公司在其自動化解決方案中使用人工智能方法來識別，挑選和分類混合類型的物品。該公司利用卷積神經網絡在一個大型對象數據集上進行訓練，以識別各種形狀、大小、顏色或材料的項目。如果人工智能系統遇到一個以前沒有見過的物體，它可以根據之前遇到過或訓練過的類似物體來識別和分類該物體。此外，如果客戶需要挑選可能導致模型性能下降的異常或自定義項目，則可以在特定的數據集上對軟件進行訓練。

全面的定制解決方案

希望在運營中部署人工智能軟件的公司可以更進一步發展，構建和集成自定義機器學習模型，包括支持數據收集和標記、模型訓練和部署。

Prolucid公司首席執行官DarcyBachert解釋說:“作為一個系統集成商，我們的重點是應用先進的計算機視覺和基于人工智能的模型來幫助復雜的制造檢測應用，以及各種非制造業客戶，包括核和醫療。我們的典型方法是使用計算機視覺或其他現有工具以盡可能簡單的方式解決問題。如果我們遇到一個應用程序，這些不太適合，那么會把人工智能作為一個選擇，并從尋找適合特定用例的現成模型開始，比如異常檢測或特征分類。”

Bachert指出，TensorFlow等開源平臺對制造業和其他應用中采用人工智能產生了重大的積極影響，這些平臺附帶了為相關用例設計的預訓練模型，以及Python生態系統。

展望制造業人工智能的未來

人工智能在制造業的未來，自動化將可能涉及使用高級分析來早期識別缺陷趨勢，并最終防止它們的發生。

隨著軟件成為機器人培訓和支持的主要工具，這些角色可能會更多地融入IT技術。考慮到這些技術的發展速度，企業可能會決定與垂直集成的解決方案提供商合作，讓他們更專注于發展業務，而供應商則管理機器人。在這種情況下，機器人勞動力將從分布式團隊轉變為集中式方法，使機器人即服務公司能夠利用規模經濟和集中培訓。

當談到如何克服阻礙人工智能快速應用的障礙時，Bachert總結道，人工智能只是另一種可以用于工業自動化的工具。隨著開源社區的持續發展，越來越多的預訓練模型可用，這些技術進入現實應用的門檻會降低。然而他警告說，這種采用需要最終客戶在他們的團隊中投資培訓，因為人工智能具有非常獨特的挑戰，而這些挑戰并不總是存在于簡單的計算機視覺或檢測應用程序中。