在工業(yè)自動化領(lǐng)域的生產(chǎn)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(shù)和工程學(xué)科的科學(xué)，包括機器視覺、計算機視覺、機器學(xué)習(xí)和深度學(xué)習(xí)。當(dāng)一個基于這些技術(shù)組合的系統(tǒng)設(shè)計得當(dāng)時(從應(yīng)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(yè)的興起

被稱為“人工智能之父”的斯坦福大學(xué)計算機科學(xué)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(xué)和工程。它與使用計算機了解人類智能的類似任務(wù)有關(guān)，但人工智能不必局限于生物學(xué)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(yè)的制造商提供機器視覺系統(tǒng)自動化檢測的有價值的工具。在人工智能中有機器學(xué)習(xí)和深度學(xué)習(xí)的子集。機器學(xué)習(xí)使用使機器能夠“學(xué)習(xí)”以提高不同任務(wù)的技術(shù)。其中一種技術(shù)是深度學(xué)習(xí)，它使用人工神經(jīng)網(wǎng)絡(luò)，例如卷積神經(jīng)網(wǎng)絡(luò)，模擬人腦的學(xué)習(xí)過程。

作為機器學(xué)習(xí)的一個子集，深度學(xué)習(xí)以及機器學(xué)習(xí)在工業(yè)自動化領(lǐng)域已經(jīng)變得流行，因為它能夠隨著時間的推移從模型的持續(xù)分析中“學(xué)習(xí)”。深度學(xué)習(xí)的過程始于數(shù)據(jù)。例如，為了幫助機器視覺發(fā)現(xiàn)產(chǎn)品缺陷，制造商將通過上傳描述缺陷或特征的圖像來創(chuàng)建一個初始數(shù)據(jù)集，這些圖像必須與“好”圖像一起被檢測出來。通過協(xié)作標記初始數(shù)據(jù)集，訓(xùn)練模型并使用原始數(shù)據(jù)集的測試圖像驗證結(jié)果，測試生產(chǎn)中的性能，并重新訓(xùn)練以覆蓋新的案例、特征或缺陷，深度學(xué)習(xí)就隨之而來了。

當(dāng)考慮了所有因素并遵循了適當(dāng)?shù)牟襟E，將深度學(xué)習(xí)工具實現(xiàn)到新的或現(xiàn)有的自動化檢測系統(tǒng)中時，該軟件在許多應(yīng)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(wù)。具體來說，這些人工智能技術(shù)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(fù)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(tǒng)

并不是每個應(yīng)用程序都受益于人工智能，而且它不是獨立的技術(shù)。與其相反，人工智能技術(shù)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(yè)，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(nèi)部編寫解決方案，購買現(xiàn)成的解決方案，或者選擇特定于應(yīng)用程序的支持人工智能的產(chǎn)品或系統(tǒng)。

市場上有幾個現(xiàn)成的人工智能解決方案，允許最終用戶構(gòu)建自己的模型，而不綁定到特定的應(yīng)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(tǒng)”，該系統(tǒng)具有攝像頭和機器學(xué)習(xí)軟件，具有先進的分析功能，旨在識別問題，持續(xù)改進，并解鎖對各種制造流程的新見解。該系統(tǒng)結(jié)合了傳統(tǒng)的機器視覺工具，如條形碼讀取和光學(xué)字符識別以及機器學(xué)習(xí)功能，為系統(tǒng)添加額外的檢測功能。

產(chǎn)品副總裁MikeBruchanski表示:“人工智能不是魔法，它不能做所有事情，但它可以為自動檢測系統(tǒng)添加強大的新功能。異常檢測——比如在谷物中找到一片透明的塑料——是一個基于機器學(xué)習(xí)的視覺工具的明確例子，它可以與機器視覺系統(tǒng)協(xié)同工作，進行質(zhì)量控制。”

布魯尚斯基表示，Elementary視覺系統(tǒng)的常見檢測應(yīng)用包括消費品包裝(包括標簽、帽子和配套)、醫(yī)療設(shè)備、汽車零部件和裝配以及食品和飲料產(chǎn)品(通常涉及獨特的裝配檢測版本)。

他說:“例如，在預(yù)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或根本沒有，但我們的機器學(xué)習(xí)工具允許視覺系統(tǒng)查看堆疊的三明治，以快速做出判斷。我們的平臺在醫(yī)療設(shè)備組裝檢查中提供了類似的方法，同時還執(zhí)行一系列汽車檢查，從監(jiān)管標簽識別到檢查焊縫的凹坑、空洞或裂縫。”

機器人的采用正在上升

近年來出現(xiàn)了一些特定于應(yīng)用程序的人工智能產(chǎn)品，其目標是精簡和簡化某些任務(wù)。在某些情況下，這可能涉及到在數(shù)小時內(nèi)啟動并運行的整個系統(tǒng)。快速機器人公司的快速機器操作員(RMO)是這種系統(tǒng)的一個主要例子。每個RMO旨在處理常見的機器操作員任務(wù)，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(jù)該公司稱，rmo配備了預(yù)先訓(xùn)練過的人工智能算法。

RapidRobotics產(chǎn)品副總裁JuanAparicio表示:“每個RMO都是為滿足客戶獨特的生產(chǎn)要求而設(shè)計的。這些模塊化的工作單元可以讓制造商快速、低成本、低風(fēng)險地擴展自動化。”

阿帕里西奧表示，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。

“在我們的領(lǐng)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(jīng)滲透到美國制造業(yè)。通過我們的工作，我們發(fā)現(xiàn)情況肯定不是這樣的。”

他補充說:“令研究人員驚訝的是，麻省理工學(xué)院最近一份關(guān)于未來工作的報告發(fā)現(xiàn)，中小型制造商中很少存在機器人。”

Aparicio表示，基于人工智能的機器人部署有很多機會，包括質(zhì)量檢測、自主移動機器人、組裝和生成設(shè)計。

在機器人領(lǐng)域，Photoneo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cnn在一個大型對象數(shù)據(jù)集上進行訓(xùn)練，以識別各種形狀、大小、顏色或材料的項目。如果軟件遇到一個它以前沒有見過的物體，它可以根據(jù)之前遇到過或訓(xùn)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(dǎo)致模型性能下降的異常或自定義項目，則可以在特定的數(shù)據(jù)集上對軟件進行訓(xùn)練。

Photoneo公關(guān)專家AndreaPufflerova表示:“客戶通常需要一個機器人物品挑選系統(tǒng)，可以識別、挑選和分類各種形狀、大小、顏色或材料的物品。“將人工智能集成到這樣的解決方案中，使客戶能夠本地化和處理混合對象類型，包括水果或魚等有機產(chǎn)品。”

她補充說:“這甚至可能包括那些通常難以識別的物品，比如靈活、易變形、充滿褶皺和不規(guī)則的袋子。”

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，讓Prolucid這樣的公司構(gòu)建和集成自定義機器學(xué)習(xí)模型，包括支持數(shù)據(jù)收集和標記、模型訓(xùn)練和部署。

Prolucid首席執(zhí)行官DarcyBachert解釋說:“作為一個系統(tǒng)集成商，我們的重點是應(yīng)用先進的計算機視覺和基于人工智能的模型來幫助復(fù)雜的制造檢測應(yīng)用，以及各種非制造業(yè)客戶，包括核和醫(yī)療。”“我們的典型方法是使用計算機視覺或其他現(xiàn)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(yīng)用程序，這些不太適合，那么我們會把人工智能作為一個選擇，并從尋找適合特定用例的現(xiàn)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(yè)和其他應(yīng)用中采用人工智能產(chǎn)生了重大的積極影響，這些平臺附帶了為相關(guān)用例設(shè)計的預(yù)訓(xùn)練模型，以及整個Python生態(tài)系統(tǒng)。

他解釋說:“從零開始開發(fā)一個模型可能非常耗時，這對制造業(yè)客戶來說往往是不切實際的。”然而，如果可以利用預(yù)先訓(xùn)練的版本，那么它就大大簡化了初始投資。”

展望制造業(yè)人工智能的未來

人工智能在制造業(yè)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(fā)生。例如，機器學(xué)習(xí)可以識別出一家公司在一天中的某些時間內(nèi)什么時候產(chǎn)生了更多的缺陷，或者什么時候由于打印機墨水不足而導(dǎo)致日期代碼標簽開始褪色。根據(jù)Bruchanski的說法，該技術(shù)將識別出進程何時趨于糟糕，并向系統(tǒng)或操作員發(fā)送命令進行調(diào)整。

他說:“在未來，機器學(xué)習(xí)可以通過檢測缺陷、識別錯誤根源的趨勢來幫助優(yōu)化流程，并將這些數(shù)據(jù)提供給制造商，最終幫助他們進一步實現(xiàn)無缺陷的環(huán)境。”

Pufflerova認為，結(jié)合基于模型和人工智能驅(qū)動方法的混合人工智能模型的發(fā)展也為工業(yè)應(yīng)用提供了潛力。

她說:“今天訓(xùn)練一個在有限的例子集上工作得相當(dāng)不錯的系統(tǒng)可能還不夠——人們還需要理解它的內(nèi)部表示。與傳統(tǒng)的黑盒機器學(xué)習(xí)或深度學(xué)習(xí)方法相比，混合人工智能模型提供了更快、更簡單的學(xué)習(xí)，以及更好的解釋性。”

對于Aparicio來說，談?wù)摍C器人自動化就很難不談?wù)撐磥淼膭趧恿Α?/p>

他說:“就人工智能和自動化使人類角色過時而言，機器人創(chuàng)新將帶來變化，但最終將為人類帶來更多機會。”“例如，機器人的部署總是需要工程師的參與，因為他們需要協(xié)調(diào)各種集成流程，混合硬件和軟件，并設(shè)計一個可靠的系統(tǒng)。”

隨著軟件成為機器人培訓(xùn)和支持的主要工具，這些角色可能會更多地融入IT。考慮到這些技術(shù)的發(fā)展速度，企業(yè)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(fā)展業(yè)務(wù)，而供應(yīng)商則管理機器人車隊。Bachert解釋說，在這種情況下，機器人勞動力將從分布式團隊轉(zhuǎn)變?yōu)榧惺椒椒ǎ箼C器人即服務(wù)公司能夠利用規(guī)模經(jīng)濟和集中培訓(xùn)。

當(dāng)談到如何克服阻礙人工智能快速應(yīng)用的障礙時，巴切特總結(jié)道，人工智能只是另一種可以用于工業(yè)自動化的工具。然而，他警告說，“隨著開源社區(qū)的持續(xù)發(fā)展，越來越多的預(yù)訓(xùn)練模型可用，這些技術(shù)進入現(xiàn)實應(yīng)用的門檻會降低。這種采用需要最終客戶在他們的團隊中投資培訓(xùn)，因為人工智能具有非常獨特的挑戰(zhàn)，而這些挑戰(zhàn)并不總是存在于簡單的計算機視覺或檢測應(yīng)用程序中。