如何识别AI在机器视觉中的机会？

人工智能(AI)正在被各行业采用，以利用数据的力量，并使用其来做出更明智的决策。

本文将介绍如何在机器视觉应用程序中识别AI的机会。

人工智能系统的业务需求

管理期望

AI方法有特定的用例。毕竟不是万能的解决方案，解决不了所有的问题。有些应用程序更适合传统的计算机视觉，有些可能两者都需要，而有些可能只需要人工智能。人工智能系统是昂贵的——无论是成本还是前期所需的资源。开源工具需要大量的开发时间，而外部工具往往很昂贵。此外，通常需要GPU才能在系统上实现足够的性能。许多制造商往往没有GPU或同等的处理能力。因此，重要的是要确定哪些应用程序非常适合具有强大业务需求的人工智能。

视觉系统设置的重要性

在进入AI之前，建议在视觉系统设置方面要有扎实的基础。不过，这对人工智能来说没有那么重要，因为其通常可以处理比传统系统更糟糕的条件。所有常规的机器视觉系统规则都适用于此——良好的照明、相机分辨率、焦距等。如果这些因素中有任何一个没有达到标准，那么在深入研究AI之前，有必要先回过头来解决这些问题。确保强大的视觉系统设置，以获得最佳的结果。

参考人类表现

人工智能系统在人类表现强大的地方最为成功。一旦系统设置好，操作员可以轻松地用眼睛识别/分类图像，这样就可以确定其是否适合AI。然而，如果人类的表现不足，那么AI模型很可能表现不佳。将人类的表现作为AI模型能够实现的参考点，如果操作员识别图像的正确率只有70%，那么人工智能的表现不太可能比这更好。因此，如果人类的性能对于应用程序来说不够好，应该首先解决该性能问题，并将其提高到可接受的水平。一旦操作员达到了预期的性能，便可考虑AI。

时间和资源

收集图像和训练模型需要付出相当大的努力。通常，收集高质量的图像是最困难的部分，因为许多制造商的缺陷量非常低。如果缺少数据，可能很难训练有缺陷部件的模型。训练工具很有帮助，其提供了需要较少样本进行训练的预训练模型。训练是一个迭代过程，跨越多个步骤，找出理想参数，以使模型运行。优化模型通常需要时间和实验。此外，如果现场出现新数据，模型将需要再次训练和部署。

人工智能应用程序示例:

人工智能在机器视觉中的一个示例应用是用于总装检测，另一个是印刷电路板或PCB检测。

 总装检测：  

背景

零件/产品或组件的最终检查通常由操作人员、或传统的机器视觉系统、或两者兼而完成。这里将重点介绍Teledyne相机作为示例产品。最终检查可能会检查弯曲的大头针、表面的划痕、连接器的正确位置、贴纸的对齐、文本的正确打印以及机械装置之间的距离等等。基本上，需要找到在构建过程中发生的任何异常。但这样，需要快速查找的标准列表会变得很长。传统的基于规则的系统很难处理所有极端情况，且培训新的操作人员也很困难。

为什么是AI?

通常有太多的规则来确定什么是“通过”。这使得传统的机器视觉系统难以实现良好的性能。另一种选择是，对于许多公司来说，人工检查非常耗时，且对于新运营商来说，很难做出一些模棱两可的判断。传统的基于规则的系统往往没有足够的性能，制造商依赖运营商的判断来提供帮助。可能会有不同的光照条件，以及缺陷位置、形状和纹理的高度变化。通常，只需要一个简单的“好/坏”的定性输出。但是，如果需要，这也可以与传统的基于规则的算法相结合。

好处

有了AI，设置就容易多了。在收集了大量的图像来训练模型之后，让一个系统运行通常比基于规则的系统，特别是使用AI工具，要少得多的开发工作。使用适当的系统，通常是使用GPU，检查速度要快得多，检查速度大约为毫秒。如果提供良好的数据，人工智能系统的表现也应该比人类更可靠，并且是标准化检查程序的好方法。该算法通常由多个操作人员提供的数据进行训练，可以减少人为错误。这有助于减轻单个操作员可能产生的人类偏见或疲劳。在这个例子中，AI可以帮助制造商减少开箱即用的故障，并提高检测质量和吞吐量。

 PCB检测 ：

背景

PCB制造商需要检查其电路板是否存在任何缺陷。可能是焊点不良、短路或其他的异常情况。通常会使用AOI(自动光学检查)机器。然而，由于缺陷的变化太多，很难处理所有的边缘情况。且基于规则的系统的性能不够准确，制造商会请操作人员进行人工检查，这既费时又昂贵。

为什么是AI?

传统的AOI系统很难识别缺陷。其要么过冲或低于性能，导致有缺陷的PCB通过或良好的PCB失败。与其他情况类似，有太多的规则来确定一个“好电路板”。根据应用的不同，这里可以使用AI对尺寸和形状差异很大的缺陷进行分类，像短路、开路、错误元件、焊接缺陷等。

好处

借助人工智能，制造商可以提高检测的准确性和质量。这有助于减少通过检查的有缺陷PCB的数量。同时，还可以节省任何人工辅助检查的时间和人力成本，并通过自动化，完成操作人员需要更长时间完成的工作来提高吞吐量。