機器學習有很多應用，無論是處理社交媒體流量還是嘗試根據(jù)過去的購買情況展示可操作的洞察或消費者定位。 本文針對那些對人工智能相關內(nèi)容感興趣讀者，我們列舉了機器視覺在制造業(yè)中應用的10個案例：

預測性維護

依賴于物理組件來制造產(chǎn)品或幫助提供服務的企業(yè)通常需要對機器或設備進行維護，或者在最壞的情況下，機器可能會損壞或組件可能會出現(xiàn)故障，導致停產(chǎn)或產(chǎn)品停滯不前。

預測性維護是指使用機器學習和物聯(lián)網(wǎng)設備監(jiān)控機器和組件（通常使用傳感器）收集數(shù)據(jù)點并識別信號或在資產(chǎn)或組件發(fā)生故障之前采取糾正措施的過程。

試想一下，一家汽車廠僅一分鐘的停工時間，就能讓高利潤汽車付出高達2萬美元的代價。利用機器視覺技術可以幫助企業(yè)保持領先地位，例如，由FANUC開發(fā)的名為ZDT（零停機時間）的軟件程序，從安裝在機器人上的相機收集圖像，然后將這些圖像和伴隨的數(shù)據(jù)發(fā)送到云進行處理并進行識別，及時發(fā)現(xiàn)可能出現(xiàn)的潛在問題。

在為期18個月的試點期間，該解決方案被部署到38個汽車工廠的7,000個機器人中，共6個部分，檢測并防止了72個組件故障！

包裝檢驗

對于制藥公司來說，在將藥片或膠囊放入容器之前對其進行計數(shù)是至關重要。為了解決這個問題，總部位于英國的Pharma Packaging Systems公司開發(fā)了一種解決方案，可以部署到現(xiàn)有的生產(chǎn)線上，甚至可以作為獨立單元運行。

該解決方案的一個關鍵特征是使用計算機視覺來檢查破碎或部分形成的藥品。當藥品通過生產(chǎn)線時，通過相機拍攝圖像并將其傳輸?shù)綄Ｓ肞C，使用軟件處理圖像運行進一步分析以檢查藥品的顏色、長度、寬度和整體是否正確。

基于PC的視覺檢測系統(tǒng)也可以用來執(zhí)行計數(shù)功能，如果藥品被認為是有缺陷的，則記錄該信息，然后向計數(shù)功能發(fā)送信號，并且當容器瓶到達在生產(chǎn)線末端時，具有缺陷片劑的容器將被剔除，從而消除了有缺陷的藥片可能性。

閱讀條形碼

每天閱讀、識別和處理成百上千個條形碼并非易事，人工根本無法大規(guī)模完成。

例如，手機和移動設備需要越來越小的印刷電路板（或PCB）。 由于制造商被迫為不斷增長的技術市場生產(chǎn)更多的PCB，他們正在尋求一種稱為“拼板”的制作工藝。 在這個過程中，許多相同的電路板被印刷到一個大的面板上，然后每個電路被機器分開進行最終測試，以便檢查這些電路板，由于條形碼是PCN板上存在的每個電路的唯一標識符，為了便于檢查這些板，開發(fā)了一個基于機器視覺的解決方案，稱為PanelScan，用于讀取PCN板上的條形碼。

在以前，可以通過使用手持條形碼掃描器來完成這項任務，然而非常耗時，而且容易出現(xiàn)人為錯誤。 通過實施基于機器視覺的解決方案，PCB制造商可以節(jié)省大量的業(yè)務成本。

產(chǎn)品和組件裝配

高性能的制造工廠需要確保從生產(chǎn)線上下線的產(chǎn)品和組件符合質(zhì)量、安全和生產(chǎn)準則。 正是考慮到這一點，Acquire Automation開發(fā)了一套解決方案，幫助企業(yè)確保其產(chǎn)品和組件裝配標準得到執(zhí)行。

例如，他們利用機器視覺技術解決方案，允許制造商在360度全視圖中檢查瓶子，以確保產(chǎn)品放置在正確的包裝中，并且還能夠檢查包裝產(chǎn)品的其他關鍵屬性，例如：

蓋帽/密封

位置

標簽

打印質(zhì)量等等！

所有這些都有助于提高生產(chǎn)線的生產(chǎn)能力，同時減少產(chǎn)品召回的數(shù)量，提高生產(chǎn)率，并最終使消費者滿意!！

減少缺陷

可以理解的是，如果您經(jīng)營生產(chǎn)線，您需要生產(chǎn)無缺陷的組件或產(chǎn)品！機器視覺是一種可以幫助企業(yè)實現(xiàn)這一目標的技術。

也就是說，機器視覺檢測系統(tǒng)可以實現(xiàn)完全的在線表面缺陷檢查，傳統(tǒng)產(chǎn)品缺陷檢查需要人工操作完成，而基于視覺的解決方案則不需要操作人員。

一家名為SeeToo Vision的公司擁有一個名為WebSeeToo的表面檢測系統(tǒng)，可識別缺陷并存儲與缺陷相關圖像和參數(shù)。當物品進入生產(chǎn)線時，缺陷會根據(jù)其類型進行分類，并對缺陷進行等級劃分。

這樣做允許制造商區(qū)分不同類型的缺陷，也可以確定出現(xiàn)什么樣的缺陷需要停機。

3D視覺檢查

機器視覺可以在汽車行業(yè)發(fā)揮重要作用。一份報告顯示，到2022年整體機器視覺市場價值可達144.3億美元！

機器視覺檢測系統(tǒng)正在生產(chǎn)線上用于完成人類有時可能難以完成的任務。在此用例中，系統(tǒng)使用高分辨率圖像來建立組件及其連接器引腳的完整三維模型。

當組件通過制造工廠時，機器視覺系統(tǒng)對來自不同角度的圖像進行多次掃描以產(chǎn)生3d模型，當這些圖像組合在一起時，系統(tǒng)可以識別電路上的連接器插腳是否有問題，而這些問題可能會在隨后的生產(chǎn)線上造成災難性的影響。

3d視覺檢測有許多應用，但是該技術的最常見用例之一是在汽車生產(chǎn)中。

如今，很多汽車故障都是由電氣故障造成的，因此，能夠?qū)�連接器插腳進行3d掃描，可以幫助汽車制造商節(jié)省成本，降低出現(xiàn)電氣部件故障的幾率，并有助于提高司機的安全。

改善安全

機器視覺的應用不僅僅局限于生產(chǎn)線上。例如，總部位于英國的采礦和建筑設備領先制造商小松公司(Komatsu Ltd)最近宣布，計劃與英偉達(NVIDIA)合作，整合英偉達的“云到邊緣”(cloud to edge)技術。而這一主要目的是為了提高現(xiàn)場管理服務、安全和效率。

該合作伙伴將英偉達Jetson AI平臺集成到經(jīng)常用于鉆井、挖掘和采礦的機械中。實時攝像頭和視頻分析的結(jié)合使得設備運行效率更高，安全性更高。

這一想法還將應用基于深度學習的人工智能來跟蹤人和預測設備的運動，從而幫助避免危險的交互，從而提高安全性。

在美國，與汽車和機械相關的建筑工地每年都有多達1萬人受傷，這樣的解決方案將受到企業(yè)的歡迎。

跟蹤和追蹤

制藥公司自然遵守嚴格的規(guī)則和法規(guī)，以確保他們的產(chǎn)品可以從生產(chǎn)線跟蹤和追溯到最終患者。

為了實現(xiàn)這一點，紙箱可以打印細節(jié)，包括但不限于序列號、保質(zhì)期、生產(chǎn)日期。一個全球唯一標識符，有時稱為GTIN(全球貿(mào)易項目號)，通常用于允許在全球范圍內(nèi)跟蹤包。

制造系統(tǒng)可以在主數(shù)據(jù)庫中自動生成這些標識符，然后在生產(chǎn)過程中使用它們并噴射到容器上，通過機器視覺可以對對噴涂到紙箱上的信息進行驗證。

德國公司ISW開發(fā)的一種解決方案案，其中包括可以從標簽讀取數(shù)據(jù)的高科技相機，以及執(zhí)行光學字符識別（OCR）以讀取打印文本。

讀取打印文本后，系統(tǒng)可以檢查主數(shù)據(jù)庫并驗證系統(tǒng)打印標簽是否與主數(shù)據(jù)庫中存儲的數(shù)據(jù)匹配。如果任何打印的代碼不可讀或與master數(shù)據(jù)庫中的現(xiàn)有代碼不匹配，則可以拒絕包裝或裝箱。

文本閱讀和手寫分析

光學字符識別并不是什么新事物，它在計算領域已經(jīng)存在了很長一段時間。也就是說，讓計算機從包含圖像的筆記、字母等中檢測和提取手寫文本是完全不同的事情。

你是否曾經(jīng)參加過一個會議，用智能手機拍下了演講者的幻燈片嗎?或者你們每個人都在白板上畫出了制造流程?

微軟在其認知服務棧中發(fā)布了一種技術，稱為計算機視覺API，有了它，您可以向端點提供圖像，API將檢測到可讀文本的存在，并將其轉(zhuǎn)換為文本流!你可以在下面的截圖中看到一個例子:

能夠?qū)�機器指向包含文本的圖像，而不是手工輸入，可以極大地提高生產(chǎn)率。

LANDING.AI

LANDING.AI是一家總部位于硅谷的公司，由人工智能大師Andrew Ng博士創(chuàng)立。吳博士在landing.ai的部分工作涉及開發(fā)機器視覺工具，以發(fā)現(xiàn)產(chǎn)品中無法用人類視覺識別的微觀缺陷。他研究一種機器學習算法可以在相對較少的圖像上進行訓練，并產(chǎn)生非常好的效果。

該技術有許多不同的用例，但主要針對制造業(yè)的解決挑戰(zhàn)，包括但不限于:

檢查

控制和自動化

校準和調(diào)優(yōu)

自動識別問題

這家初創(chuàng)公司不僅滿足于解決這些制造挑戰(zhàn)，還意識到人工智能技術有可能顛覆制造業(yè)，有鑒于此，這家初創(chuàng)公司還在研究如何對離職員工進行再培訓。

總結(jié)

在這篇文章中，我們列舉10個機器視覺在制造中的應用案例，涵蓋了從紡織品到制藥的所有領域，并觸及了人工智能和深度學習是如何以圖像識別的形式對機器視覺空間產(chǎn)生影響的。我們希望通過閱讀本文，您對機器視覺如何應用于制造業(yè)有了更多的見解。

來源：巨靈鳥 歡迎分享本文