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?！?/p>

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(jié)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(nèi)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(gòu)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(jié)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。

產(chǎn)品副總裁MikeBruchanski表示:“人工智能不是魔法，它不能做所有事情，但它可以為自動檢測系統(tǒng)添加強大的新功能。異常檢測——比如在谷物中找到一片透明的塑料——是一個基于機器學習的視覺工具的明確例子，它可以與機器視覺系統(tǒng)協(xié)同工作，進行質(zhì)量控制?！?/p>

布魯尚斯基表示，Elementary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)。

他說:“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或根本沒有，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、空洞或裂縫?！?/p>

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(nèi)啟動并運行的整個系統(tǒng)?？焖贆C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，rmo配備了預先訓練過的人工智能算法。

RapidRobotics產(chǎn)品副總裁JuanAparicio表示:“每個RMO都是為滿足客戶獨特的生產(chǎn)要求而設計的。這些模塊化的工作單元可以讓制造商快速、低成本、低風險地擴展自動化?！?/p>

阿帕里西奧表示，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。

“在我們的領域，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)。通過我們的工作，我們發(fā)現(xiàn)情況肯定不是這樣的?！?/p>

他補充說:“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?！?/p>

Aparicio表示，基于人工智能的機器人部署有很多機會，包括質(zhì)量檢測、自主移動機器人、組裝和生成設計。

在機器人領域，Photoneo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cnn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。如果軟件遇到一個它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?；蜃远x項目，則可以在特定的數(shù)據(jù)集上對軟件進行訓練。

Photoneo公關專家AndreaPufflerova表示:“客戶通常需要一個機器人物品挑選系統(tǒng)，可以識別、挑選和分類各種形狀、大小、顏色或材料的物品?！皩⑷斯ぶ悄芗傻竭@樣的解決方案中，使客戶能夠本地化和處理混合對象類型，包括水果或魚等有機產(chǎn)品?！?/p>

她補充說:“這甚至可能包括那些通常難以識別的物品，比如靈活、易變形、充滿褶皺和不規(guī)則的袋子。”

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，讓Prolucid這樣的公司構(gòu)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，那么我們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?！?/p>

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，以及整個Python生態(tài)系統(tǒng)。

他解釋說:“從零開始開發(fā)一個模型可能非常耗時，這對制造業(yè)客戶來說往往是不切實際的。”然而，如果可以利用預先訓練的版本，那么它就大大簡化了初始投資。”

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。例如，機器學習可以識別出一家公司在一天中的某些時間內(nèi)什么時候產(chǎn)生了更多的缺陷，或者什么時候由于打印機墨水不足而導致日期代碼標簽開始褪色。根據(jù)Bruchanski的說法，該技術將識別出進程何時趨于糟糕，并向系統(tǒng)或操作員發(fā)送命令進行調(diào)整。

他說:“在未來，機器學習可以通過檢測缺陷、識別錯誤根源的趨勢來幫助優(yōu)化流程，并將這些數(shù)據(jù)提供給制造商，最終幫助他們進一步實現(xiàn)無缺陷的環(huán)境?！?/p>

Pufflerova認為，結(jié)合基于模型和人工智能驅(qū)動方法的混合人工智能模型的發(fā)展也為工業(yè)應用提供了潛力。

她說:“今天訓練一個在有限的例子集上工作得相當不錯的系統(tǒng)可能還不夠——人們還需要理解它的內(nèi)部表示。與傳統(tǒng)的黑盒機器學習或深度學習方法相比，混合人工智能模型提供了更快、更簡單的學習，以及更好的解釋性。”

對于Aparicio來說，談論機器人自動化就很難不談論未來的勞動力。

他說:“就人工智能和自動化使人類角色過時而言，機器人創(chuàng)新將帶來變化，但最終將為人類帶來更多機會?！薄袄?，機器人的部署總是需要工程師的參與，因為他們需要協(xié)調(diào)各種集成流程，混合硬件和軟件，并設計一個可靠的系統(tǒng)?！?/p>

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?？紤]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車隊。Bachert解釋說，在這種情況下，機器人勞動力將從分布式團隊轉(zhuǎn)變?yōu)榧惺椒椒?，使機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，巴切特總結(jié)道，人工智能只是另一種可以用于工業(yè)自動化的工具。然而，他警告說，“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。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。