傳統(tǒng)上，識別生產(chǎn)中的缺陷和劃痕需要具有豐富經(jīng)驗的技術人員的敏感性和知識。但由于勞動力成本上升和熟練勞動力短缺，制造商需要使曾經(jīng)依賴有經(jīng)驗的人類工人感覺的流程自動化。
為了在“未來工廠”中解決這一挑戰(zhàn)，歐姆龍整合了人工智能（AI）和機器視覺，開發(fā)了兩種新的解決方案：“ AI Fine Matching”和“ AI Scratch Detect Filter”。
AI 現(xiàn)在可以像人類一樣有效地識別物體特征，并自動動態(tài)學習關鍵參數(shù)
在某些情況下，人工智能現(xiàn)在可以像人類一樣有效地識別物體特征，并自動動態(tài)學習關鍵參數(shù)。雖然許多人工智能方法面臨海量圖像數(shù)據(jù)、專業(yè)硬件、特殊環(huán)境和工程專業(yè)知識的綜合挑戰(zhàn)，但歐姆龍在避免這些障礙方面取得了巨大進步，為廣泛部署打開了大門。
AI精細匹配
AI Fine Matching 結合了圖像處理系統(tǒng)，該系統(tǒng)結合了歐姆龍新的 FH 系列視覺系統(tǒng)和基于公司 AI 技術的缺陷檢測系統(tǒng)。使用新的基于 AI 的圖像過濾器，該過濾器重現(xiàn)了熟練的檢查員用來識別任何產(chǎn)品背景上的缺陷的技術，它可以識別缺陷和細微缺陷，并可靠地區(qū)分正常和異常產(chǎn)品。
不需要有缺陷的學習樣本。AI Fine Matching 工具從無缺陷產(chǎn)品的圖像數(shù)據(jù)中學習，以快速獲得檢驗員多年積累的“專業(yè)知識”。盡管靈敏度取決于產(chǎn)品，但在許多情況下，它可以達到或超過人工檢查員的缺陷檢測率�？梢栽� FH 系列視覺系統(tǒng)的設置中設置可接受的偏差容差。
“我們將人工智能部署到我們的視覺系統(tǒng)中的方式是幫助和簡化視覺系統(tǒng)的設置和配置，使制造商更容易部署它們，”歐姆龍英國營銷經(jīng)理 Dan Rossek 說。“我們使用機器學習算法來設置視覺系統(tǒng)，而不是訓練有素的工程師。他會查看您試圖識別的缺陷，然后配置帶有檢查制度和檢查工具的程序，使其能夠區(qū)分好零件和壞零件這可能基于模式、相關性、對比度等和顏色。”
該算法使該過程自動化。它用一批好的零件進行訓練，人工智能系統(tǒng)會尋找好的零件的特征以及變化（產(chǎn)品本身總會有一些可接受的變化）。
“這就是您對系統(tǒng)進行編程所需的全部工作，” Dan 繼續(xù)說道。“然后，該系統(tǒng)能夠檢測到任何超出“良好”部件范圍的東西。這使其成為高產(chǎn)品組合制造或新零件的理想選擇，因為針對不同產(chǎn)品的培訓既快速又簡單。加載它的過程基本上只是訓練一系列圖像。”
經(jīng)過訓練后，AI Fine Matching 視覺系統(tǒng)可提供 100% 一致的結果。
AI劃痕檢測過濾器
AI 劃痕檢測過濾器通過使用視覺系統(tǒng)和 AI 算法來識別表面劃痕，該算法可復制熟練檢查員的靈敏度水平，而無需使用樣本或調(diào)整。
應用的主要領域是汽車工業(yè)。然而，這項技術非常具有挑戰(zhàn)性，Dan 評論道：“汽車制造商希望達到 100% 的檢驗滿意度，但在光亮的表面上很難發(fā)現(xiàn)劃痕或缺陷，尤其是當汽車涂有多種顏色時。例如，您不僅需要為每個單獨的產(chǎn)品配置視覺系統(tǒng)，還需要配置顏色、表面處理，以及它是金屬的還是啞光的。”
通過開發(fā)新算法，歐姆龍消除了與此任務相關的所有復雜性。“首先，AI 劃痕檢測過濾器系統(tǒng)拍攝圖像，然后通過一組過濾器運行圖像以從表面分離出劃痕。當系統(tǒng)在內(nèi)部循環(huán)所有過濾和檢查算法時，汽車的顏色或表面光潔度不會產(chǎn)生任何影響，因為它只是確定最適合該應用的一種。這使得設置和部署變得非常容易， ”Dan 總結道。
能夠檢測表面劃痕對許多制造部件都有好處，包括塑料模制品、擠出塑料薄膜和由玻璃或透明聚合物制成的光學部件。另一個應用可能是檢查卷筒紙印刷過程中的紙張質量。歐姆龍AI劃痕檢測過濾系統(tǒng)作為其獨創(chuàng)的面向汽車行業(yè)開發(fā)的成果，將應用于提升眾多產(chǎn)品的品質。
