智能生产

我们是否很快就会有完全自主的智能工厂？如果你相信关于人工智能的故事，那就是这个想法。例如，在自动化质量检查中，人工智能确实解决了一些问题。尽管如此，生产性的人工智能解决方案与它们所归属的标准仍有很大差距。

它们需要大量的投资，而且只有在特定条件下才有利可图。对于许多任务，也根本不需要人工智能。人工智能在支持光学质量检测方面能具体发挥什么作用？什么时候使用它有意义，什么时候没有意义？

对于简单的iO-niO检查，确定性的系统--带有基于规则的算法的图像处理--是完全足够的。任何偏离规范的东西都会被检测为缺陷或niO件。

这样的系统被用于对安全要求很高的应用中，其中有严格的质量标准。专门编程的规则确保没有任何缺陷能逃过检查。通常情况下，为了能够在较短的周期时间内满足高质量的要求，会故意接受较高的假缺陷率。

在这种情况下，纯粹基于人工智能的解决方案不太适合。它们在训练过的例子的基础上工作。根据训练数据的质量，它们提供基于概率的波动结果--在要求零误差的情况下，这是质量控制的禁区。

当绝对结果不如估计或评估重要时，人工智能在视觉检测中的作用就会出现。其中包括：与安全无关的应用，当不需要百分之百的检测率时；在波动的检测特征和情况下；或支持混合图像处理。

在光学质量检测中，人工智能特别适用于哪些情况或任务？

裂缝、斑点或飞溅物在形状、颜色、大小和位置上都可能有很大的不同。基于规则检测这种不同的缺陷是困难的。人工智能可以过滤缺陷，对其进行分类，并评估一个零件是否可能没有问题。

基于规则的系统或人类检查员可以进行最终评估。当纠正后的评估被反馈给人工智能时，它可以随着时间的推移做出越来越好的评估。

在人工智能的帮助下，基于规则的系统中通常很高的伪错误率可以减少。要做到这一点，必须用包含极限或容忍范围内的错误的数据来训练人工智能。通过这种方式，人工智能学会区分什么时候缺陷更可接受或不可接受。

光学质量检测中的数据量往往急剧增加：由于更高的分辨率、3D数据和更大的被检测部件。因此，实时评估需要更长的时间，甚至可能超过生产线的周期时间--使其速度减慢。人工智能的优势之一是它可以比传统算法更快地处理大量的数据。它可以预先过滤、分类和评估图像数据，以便进一步检查，从整体上大大加快了检查过程。

即使在自动化生产线上，人类检验员往往仍在工作：在边缘案例或复杂的组件中，他们做出最终决定。人工检测需要最大限度地集中精力。AI可以为检查员准备和处理数据，从而促进他们的工作。工作场所的人机工程学得到了改善，人事成本得到了降低--特别是在技术工人短缺的时候，这可能是一个令人信服的理由。

公司在选择解决方案时如何做出明智的决定--有或没有人工智能？他们应该考虑三个标准：

1.         能力

2.         整合工作

3.         成本

简单地说，必须确定人工智能对手头的情景是否有任何好处，以及这种好处是否大到足以证明投资的合理性。尽管围绕着人工智能的炒作，投资回报率的计算必须以冷静的头脑进行。以下问题可以提供帮助：

● 从长远来看，人工智能是否有助于实现更好的检查结果？

● 检查结果需要多精确？我们的质量要求是什么？组件是否与安全有关？

● 当前检查方法的错误率是多少，通过人工智能可以减少多少？

不是所有的人工智能解决方案都是一样的。在最简单的形式下，人工智能是用好的部件进行训练，任何有偏差的东西都被归类为缺陷（异常检测）。对于更复杂、更准确的检测，人工智能需要用更多的数据对所有可能的情况进行训练。真正需要的是什么技能？

一个解决方案越复杂，训练的工作量就越大。而首先必须有足够的数据，包括错误和边界案例的数据。因此，最重要的问题之一是： 我们是否有这些数据，如果没有，我们从哪里获得这些数据？

人工智能的神经网络能做的越多，它需要的资源就越多。人工智能解决方案的硬件和计算能力（在云中）的成本比普通软件的成本要高得多。

因此，人工智能解决方案的努力和成本相对较高，快速的投资回报率是不可能的。一个基于规则的算法从第一天起就能提供可靠的结果。另一方面，人工智能则需要在飞行中进行优化。结果可能需要几年才能达到所需的质量。在那之前，公司可能不得不处理更高的成本和更差的结果。