在工業(yè)自動化領域的生產(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(tǒng)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(yè)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(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(jīng)網(wǎng)絡，例如卷積神經(jīng)網(wǎng)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(yè)自動化領域已經(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“學習”。深度學習的過程始于數(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，訓練模型并使用原始數(shù)據(jù)集的測試圖像驗證結果，測試生產(chǎn)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?shù)牟襟E，將深度學習工具實現(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(tǒng)

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(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(tǒng)”，該系統(tǒng)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(xù)改進，并解鎖對各種制造流程的新見解。該系統(tǒng)結合了傳統(tǒng)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(tǒng)添加額外的檢測功能。

人工智能視覺系統(tǒng)的常見檢測應用包括消費品包裝(包括標簽、帽子和配套)、醫(yī)療設備、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)。

Elementary公司產(chǎn)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(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、空洞或裂紋。”

機器人的采用正在上升

近年來出現(xiàn)了一些特定于應用程序的人工智能產(chǎn)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(shù)小時內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，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，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(jīng)滲透到美國制造業(yè)。

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(fā)現(xiàn)，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(jīng)網(wǎng)絡在一個大型對象數(shù)據(jù)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(tǒng)遇到一個以前沒有見過的物體，它可以根據(jù)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(shù)據(jù)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(fā)展，構建和集成自定義機器學習模型，包括支持數(shù)據(jù)收集和標記、模型訓練和部署。

Prolucid公司首席執(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(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(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用例設計的預訓練模型，以及Python生態(tài)系統(tǒng)。

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。

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(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，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?yōu)榧惺椒椒ǎ箼C器人即服務公司能夠利用規(guī)模經(jīng)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(yè)自動化的工具。隨著開源社區(qū)的持續(xù)發(fā)展，越來越多的預訓練模型可用，這些技術進入現(xiàn)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(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用程序中。