如何用AI視覺助力質(zhì)量檢測

AI視覺是一種基于計算機視覺和人工智能技術(shù)的前沿技術(shù)，可應(yīng)用于各種質(zhì)檢場景。通過該技術(shù)，可以迅速檢測產(chǎn)品外觀缺陷、零件缺陷、裝配誤差等問題，進一步強化產(chǎn)品的質(zhì)量和穩(wěn)定性。當然，這項技術(shù)還需要進一步發(fā)展成熟，特別是在工業(yè)環(huán)境中還需要繼續(xù)完善，才能達到公認的傳統(tǒng)圖像處理方法那樣的接受水平。虹科為用戶提供了友好的軟件工具和智能相機硬件，這樣，即使用戶沒有經(jīng)驗，也可以使用AI視覺來處理項目應(yīng)用，并以直觀簡易的方式部署實施。

AI帶來的優(yōu)勢

相比基于規(guī)則的方法，基于AI的方法工作方式完全不同，這是它們最大的優(yōu)勢。這使提供商能夠開發(fā)全新的圖像處理工具，這些工具的使用方式更加直觀。這些工具通過機器學(xué)習(xí)，已經(jīng)能夠?qū)⑷斯べ|(zhì)量要求工作轉(zhuǎn)由基于AI的圖像處理系統(tǒng)實施，從而實現(xiàn)了流程優(yōu)化和自動化。通常，在這個過程中不需要編寫任何源代碼，這樣就消除了對編程技能的需求，從而大大拓寬了AI視覺的目標群體。這樣，公司在評估階段不必再依賴程序員和圖像處理專家，可以選擇最了解產(chǎn)品及其特點的員工進行可行性分析。

應(yīng)用示例

我們可以看看一位虹科客戶的應(yīng)用示例，從而了解AI視覺的優(yōu)勢。旋轉(zhuǎn)軸通常用卡環(huán)固定。然而，只有卡環(huán)完全嚙合在軸槽中，才能確保連接100%安全。錯誤安裝可能導(dǎo)致產(chǎn)品損壞。質(zhì)量保證的任務(wù)似乎很簡單，只要檢查卡環(huán)是否正確接合即可！然而，事實是，由于尚未找到安全的自動化解決方案，這一檢測仍以人工方式執(zhí)行?；谝?guī)則的圖像處理測試只能確?？ōh(huán)是否存在。即使在理想情況下，也只能做到確定卡環(huán)的“耳朵”的距離是否大于要求距離。然而，這并不一定意味著卡環(huán)已牢固接合！它也可能只是放在上面！在這種錯誤情況下，只能通過難以實現(xiàn)的規(guī)則描述細微圖像差異，困難重重。

而如果使用機器學(xué)習(xí)方法進行可行性分析，僅需要正確和錯誤案例的一些圖像示例（在這種情況下不超過300例）來訓(xùn)練神經(jīng)網(wǎng)絡(luò)，就能夠以較高可信度預(yù)測卡環(huán)的錯誤位置。因此，只針對極少數(shù)不確定的結(jié)果進行手動目視檢查就足夠了。

驗證神經(jīng)網(wǎng)絡(luò)訓(xùn)練的效果

可以通過樣本圖像的測試來驗證神經(jīng)網(wǎng)絡(luò)訓(xùn)練的效果。使用包含已知錯誤類別的圖像進行測試運行，就可以體現(xiàn)學(xué)習(xí)精度和AI結(jié)果的質(zhì)量?！傲己谩焙汀安涣肌卑咐母怕什顒e越明顯，“良好”和“不良”之間的決定性閾值就越清晰，這樣就可以在生產(chǎn)運營后期盡可能減少“良好”和“不良”案例的錯誤識別。測試期間確定的“良好”概率的變化也有助于優(yōu)化生產(chǎn)環(huán)境。畢竟，環(huán)境條件和不相關(guān)的圖像內(nèi)容變化越小，對AI分析中的相關(guān)區(qū)別特征做出的質(zhì)量陳述就越具體。

圖1 使用已知錯誤類別的測試數(shù)據(jù)對訓(xùn)練后的CNN進行驗證，一方面顯示了網(wǎng)絡(luò)識別錯誤的能力，另一方面顯示了結(jié)果的變化程度。

具備充分解釋的能力

事實上，人工智能質(zhì)量決策無法通過一組明確定義的規(guī)則進行追蹤，算法更像一個黑匣子，但是這并不意味著結(jié)果無法解釋?！盁崃D”或“異常圖”等工具能夠顯示與預(yù)測相關(guān)的像素在圖像中的位置以及它們產(chǎn)生影響的程度。在我們的卡環(huán)檢查中，這些工具指出了已知缺陷類別的相關(guān)特征，符合預(yù)期。這在異常檢測中尤為明顯，使我們能夠整理出未知（當然也就未經(jīng)培訓(xùn)）的缺陷案例。這證明了機器學(xué)習(xí)方法還能夠使用已知特征的訓(xùn)練知識，準確顯示將出現(xiàn)的未知問題。例如，失焦相機圖像導(dǎo)致異常圖在多個位置標記偏差。

圖2 注意力地圖顯示了相關(guān)的圖像像素，從而直觀解釋了人工智能預(yù)測是如何產(chǎn)生的。

應(yīng)對計劃之外的情況

因此，異常檢測為質(zhì)量保證帶來了另一項優(yōu)勢，這在基于規(guī)則的圖像處理中難以實現(xiàn)。這種方式能夠發(fā)現(xiàn)相較正常情況的任何偏差，即使在訓(xùn)練中并未充分體現(xiàn)這種偏差也不會構(gòu)成障礙，這成為決定性因素。換句話說，它能夠應(yīng)對計劃之外的情況。因此，當其他方法對“未知”的情況難以判定，有時甚至失敗時，這種方法可以充分發(fā)現(xiàn)各種隱藏問題。這包括在正常運行過程中某個時刻可能發(fā)生的一切情況。由于可以獲得系統(tǒng)狀況的連續(xù)數(shù)據(jù)，例如增加產(chǎn)品缺陷或偏差（即異常）的情況，人們能夠在產(chǎn)品質(zhì)量大幅下降或發(fā)生最壞情況（如工廠故障）之前確定維護系統(tǒng)的最佳時間。

圖3 異常誤差的增加可能表明由于工具磨損、污垢或其他干擾導(dǎo)致的生產(chǎn)條件惡化。

用戶友好型工具

AI視覺可以通過多種方式在質(zhì)量保證領(lǐng)域大顯身手，并可以擴展或改進現(xiàn)有應(yīng)用。循序漸進很重要。提前進行可行性分析有助于了解一項任務(wù)是否真的可以用AI視覺處理，否則會導(dǎo)致在專家人員、知識構(gòu)建和AI系統(tǒng)方面白白耗費大量金錢和時間。這就需要一系列用戶友好型軟件工具的幫助，它們可以實現(xiàn)完全基于圖像的初始評估，甚至可以在云端完成。這一過程既不需要具有AI能力的真實視覺系統(tǒng)，也不需要單獨的訓(xùn)練平臺。這大大降低了投資風(fēng)險。這些工具用戶界面直觀，工作流及向?qū)б子诶斫?，因而對于那些在AI或圖像處理和應(yīng)用編程方面還沒有太多經(jīng)驗的用戶來說，門檻大大降低。

盡管如此，AI視覺需要對有效訓(xùn)練所需的合適視覺材料有一定的了解。這是得出可信結(jié)論的先決條件，用戶能夠以可理解的方式對這些結(jié)論進行評估。同樣重要的是，引入經(jīng)驗豐富的合作伙伴后，他們不僅可以使人工智能系統(tǒng)達到最佳狀態(tài)，還能夠查看并支持基于機器學(xué)習(xí)的質(zhì)量保證的整個工作流程。由一個服務(wù)來源提供充分支持也是保障AI視覺環(huán)境成功的因素之一，應(yīng)該予以充分重視。因此，AI視覺用于質(zhì)量保證可能不像宣傳的那么簡單，但肯定比通常認為的更簡單。

虹科NXT智能相機

• 圖像處理“邊緣設(shè)備”的嵌入式解決方案
• 降低網(wǎng)絡(luò)負載，減少能耗
• 開發(fā)您的專屬視覺應(yīng)用，將應(yīng)用安裝在相機上
• 推理時間短
• 提供不同的保護等級和傳感器
• 適合任何檢測和分類應(yīng)用
• 適用于工業(yè)應(yīng)用場合
• 小體積，重量輕

虹科NXT lighthouse云端AI訓(xùn)練平臺

完整工作流程

虹科 NXT lighthouse是一個基于云的AI視覺工作站，用于管理和注釋圖像數(shù)據(jù)集、訓(xùn)練神經(jīng)網(wǎng)絡(luò)并基于它們創(chuàng)建圖像處理應(yīng)用。因此，AI視覺任務(wù)可以通過一個云服務(wù)得到充分開發(fā)和解決。

流程簡單：

幾分鐘內(nèi)搭建人工神經(jīng)網(wǎng)絡(luò)。只需關(guān)鍵的三步：用戶上傳訓(xùn)練圖像，標記這些圖像，然后訓(xùn)練目標網(wǎng)絡(luò)。

即時可用：

只需調(diào)用Web應(yīng)用程序，然后登錄，您就可以開始訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)。無需創(chuàng)建單獨的開發(fā)環(huán)境，可以直接使用所有功能以及所需的基礎(chǔ)結(jié)構(gòu)。

非常安全：

可以選擇在微軟Azure或AWS（亞馬遜網(wǎng)絡(luò)服務(wù)）上托管和運行IDS lighthouse。這兩種云服務(wù)都將客戶和應(yīng)用程序的數(shù)據(jù)存儲在嚴格安全的數(shù)據(jù)中心

適合您的選擇：

用戶自行決定 NXT相機的推理速度和準確度。推理時間為15到120毫秒。

簡易應(yīng)用開發(fā)：

借助模塊化編輯器，即使沒有編程知識，也可以使用機器學(xué)習(xí)方法創(chuàng)建單獨的圖像處理序列，例如對象的檢測或分類。作為Vision應(yīng)用，這些過程可以直接在NXT設(shè)備上執(zhí)行。