AI视觉助力质量检测

他们也对AI视觉是否适合某一任务或能否真正解决相应问题存在疑问。不幸的是，这个鸡生蛋蛋生鸡的问题经常导致他们根本不会评估这项技术。当然，这项技术还需要进一步发展成熟，特别是在工业环境中还需要继续完善，才能达到公认的传统图像处理方法那样的接受水平。另一方面，用户友好的软件工具已经面世，这样，即使用户没有经验，也可以使用AI视觉来评估他们的应用，并以直观方式实施。

不同带来优势

相比基于规则的方法，基于AI的方法工作方式完全不同，这是它们最大的优势。这使提供商能够开发全新的图像处理工具，这些工具的使用方式更加直观。这些工具通过机器学习，已经能够将人工质量要求工作转由基于AI的图像处理系统实施，从而实现了流程优化和自动化。通常，在这个过程中不需要编写任何源代码，这样就消除了对编程技能的需求，从而大大拓宽了AI视觉的目标群体。这样，公司在评估阶段不必再依赖程序员和图像处理专家，可以选择最了解产品及其特点的员工进行可行性分析。

如此简单，难以置信

我们可以看看一位IDS客户的应用示例，从而了解AI视觉的优势。旋转轴通常用卡环固定。然而，只有卡环完全啮合在轴槽中，才能确保连接100%安全。错误安装可能导致产品损坏。质量保证的任务似乎很简单，只要检查卡环是否正确接合即可！然而，事实是，由于尚未找到安全的自动化解决方案，这一测试仍以人工方式执行。基于规则的图像处理测试只能确保卡环是否存在。即使在理想情况下，也只能做到确定卡环的“耳朵”的距离是否大于要求距离。然而，这并不一定意味着卡环已牢固接合！它也可能只是放在上面！在这种错误情况下，只能通过难以实现的规则描述细微图像差异，困难重重。

而如果使用机器学习方法进行可行性分析，仅需要正确和错误案例的几个图像示例（在这种情况下不超过300例）来训练神经网络，就能够以较高可信度预测卡环的错误位置。因此，只针对极少数不确定的结果进行手动目视检查就足够了。

可以在不知不觉间进行判断

可以通过样本图像的测试来验证神经网络训练的效果。使用包含已知错误类别的图像进行测试运行，就可以体现学习精度和AI结果的质量。“良好”和“不良”案例的概率差别越明显，“良好”和“不良”之间的决定性阈值就越清晰，这样就可以在生产运营后期尽可能减少“良好”和“不良”案例的错误识别。测试期间确定的“良好”概率的变化也有助于优化生产环境。毕竟，环境条件和不相关的图像内容变化越小，对AI分析中的相关区别特征做出的质量陈述就越具体。

具备充分解释的能力

事实上，人工智能质量决策无法通过一组明确定义的规则进行追踪，算法更像一个黑匣子，但是这并不意味着结果无法解释。“注意力地图”或“异常地图”等工具能够显示与预测相关的像素在图像中的位置以及它们产生影响的程度。在我们的卡环检查中，这些工具指出了已知缺陷类别的相关特征，符合预期。这在异常检测中尤为明显，使我们能够整理出未知（当然也就未经培训）的缺陷案例。这证明了机器学习方法还能够使用已知特征的训练知识，准确显示将出现的未知问题。例如，失焦相机图像导致异常图在多个位置标记偏差。

更有远见

因此，异常检测为质量保证带来了另一项优势，这在基于规则的图像处理中难以实现。这种方式能够发现相较正常情况的任何偏差，即使在培训中并未充分体现这种偏差也不会构成障碍，这成为决定性因素。换句话说，它能够应对计划之外的情况。因此，当其他方法对“未知”的情况难以判定，有时甚至失败时，这种方法可以充分发现各种隐藏问题。这包括在正常运行过程中某个时刻可能发生的一切情况。由于可以获得系统状况的连续数据，例如增加产品缺陷或偏差（即异常）的情况，人们能够在产品质量大幅下降或发生最坏情况（如工厂故障）之前确定维护系统的最佳时间。

用户友好型工具

AI视觉可以通过多种方式在质量保证领域大显身手，并可以扩展或改进现有应用。循序渐进很重要。提前进行可行性分析有助于了解一项任务是否真的可以用AI视觉处理，否则会导致在专家人员、知识构建和AI系统方面白白耗费大量金钱和时间。这就需要一系列用户友好型软件工具的帮助，它们可以实现完全基于图像的初始评估，甚至可以在云端完成。这一过程既不需要具有AI能力的真实视觉系统，也不需要单独的训练平台。这大大降低了投资风险。这些工具用户界面直观，工作流及向导易于理解，因而对于那些在AI或图像处理和应用编程方面还没有太多经验的用户来说，门槛大大降低。

尽管如此，AI视觉需要对有效训练所需的合适视觉材料有一定的了解。这是得出可信结论的先决条件，用户能够以可理解的方式对这些结论进行评估。同样重要的是，引入经验丰富的合作伙伴后，他们不仅可以使人工智能系统达到最佳状态，还能够查看并支持基于机器学习的质量保证的整个工作流程。由一个服务来源提供充分支持也是保障AI视觉环境成功的因素之一，应该予以充分重视。使用AI视觉进行质量检测 5 - 5因此，AI视觉用于质量保证可能不像宣传的那么简单，但肯定比通常认为的更简单。