智能缺陷檢測：機器視覺如何增強質(zhì)量控制
眾多科技公司都在開發(fā)人工智能工具，使缺陷檢測的準確性和生產(chǎn)力超越人類的能力。雖然每個計算機視覺公司側(cè)重點不同，但人工智能驅(qū)動的質(zhì)量控制（QC）的承諾是明確的：利用圖像和物體識別將使你處于領先地位。
采用行業(yè)特定類型的計算機視覺（所謂的機器視覺）有助于工廠改善質(zhì)量控制，同時從等式中消除人類感知的缺陷。
簡單地說，機器視覺是硬件端的相機和另一端處理“大腦”軟件的組合。再加上深度學習技術(shù)，視覺系統(tǒng)可以“學習”產(chǎn)品尺寸、螺栓孔及其位置和形狀等細微差別。為了訓練一個系統(tǒng)來區(qū)分可接受和不可接受的質(zhì)量，您需要向它提供大量捕捉各種缺陷類型的圖像。
人類也能發(fā)現(xiàn)視覺缺陷。但這些任務——例如，在檢查瓶子的灌裝——是高度重復的。與人眼不同的是，自動光學檢測（AOI）不會失去其敏銳性，并且對濃度下降免疫。通過在生產(chǎn)過程的早期發(fā)現(xiàn)錯誤，您將在每個階段避免手動生產(chǎn)瓶頸。
降低質(zhì)量控制操作的成本
在你的工廠里為質(zhì)量控制線配備人力是昂貴的，而且有局限性，因為檢驗人員需要體面的工資和穩(wěn)定的工作時間來完成他們的工作。
另一方面，基于計算機視覺的質(zhì)量控制系統(tǒng)可以提供全天候一致的結(jié)果，而無需休息。機器的錯誤檢測率更高，而手工操作人員有處理和物理上的限制，這使得他們很容易漏掉一個缺陷或錯誤地識別一個缺陷。
也就是說，用計算機視覺驅(qū)動的軟件來增強你的線條是兩全其美。除了識別已知的缺陷之外，人工智能還可以根據(jù)先前的輸入發(fā)現(xiàn)以前從未見過和不可預測的缺陷。
識別不明顯的缺陷
對于那些缺陷可能致命的行業(yè)，如航空航天、汽車或醫(yī)療，基于計算機視覺的檢測超出了光譜可見部分的范圍，并且在紫外、x射線和紅外線下發(fā)揮作用。為了滿足相對苛刻要求和安全規(guī)定，需要比人眼高得多的光學分辨率。
盡管人類在區(qū)分異常方面仍然優(yōu)于機器，但深度學習技術(shù)提高了標準。也就是說，基于深度學習的解決方案可以識別表面缺陷——例如裂紋，斑塊，夾雜物和劃痕等——這些都是人工很難檢查的缺陷。
在機器學習分析的支持下，這樣的系統(tǒng)可以在幾天內(nèi)適應新的可視數(shù)據(jù)集和場景。通過在深入學習模型上投入足夠的精力，您將能夠獲得意想不到的結(jié)果，例如發(fā)現(xiàn)您之前忽略的新類型缺陷，并將檢查成本降低高達66%。
文章轉(zhuǎn)載自中國機器視覺網(wǎng)，如有問題，請及時聯(lián)系刪除
網(wǎng)站客服
粵公網(wǎng)安備 44030402000946號