Skip to main content

让智能工厂达到 20/20 机器视觉

机器视觉相机

在过去的几年里,制造商一直面临着精简业务的巨大压力。要实现这一点的一种方法是通过向智能工厂转型。这本身可能意味着许多事情,其中之一是使用机器视觉的摄像头系统。将人工智能加入机器视觉解决方案中,这种解决方案似乎比问题本身更令人生畏,特别是没有数据科学家或人工智能开发人员的情况下。

Mariner 是一家利用物联网、人工智能和深度学习的技术解决方案供应商,其营销副总裁 David Dewhirst 为我们剖析了这个情况。David 强调了 Mariner 的关键专业领域—利用机器视觉和人工智能来保证工厂车间的质量,因为正如他所指出的,质量总是需要用某种方式支付才能保证的。而在工厂车间预先支付,肯定比为伪劣产品补救声誉支付要好。

成为智能工厂意味着什么?

我喜欢把数据和信息分开来看。数据只是输入,它们无处不在。你需要以某种方式转换这些数据,这样就可以把它作为信息做有用的事情。当我在思考智能工厂或互联工厂时,我在想工厂车间里固有的所有信息。那么如何将所有数据连接到一起?如何处理这些数据以获得有用的结果,也就是获得信息?以及利用全新的传感器和技术来真正推进制造业的技术水平。

制造商在向智能工厂转型的旅途上做得如何?

事实上,在这个领域有很高的项目失败率。但你无论如何都要做,因为你的所有竞争者都在做。如果你不做,你就落后了。

根据我的观察,这些项目失败的原因是制造商没有真正想清楚他们要做什么。他们知道需要做这个很酷的事情,但他们可能不一定是为了解决某个具体的问题。但这正是我认为任何智能工厂计划应该进行的方式。如果你负责工厂的数字化转型,请找一个做起来不是最酷但可以解决最大、最棘手问题的用例。我们的解决方案非常明确地旨在改善工厂的缺陷检测,所以这就是一种用例。

同样重要的是找到那些你可以同时向上层和下层推销项目的用例—向受其影响的工程师,也向开支票的决策人。然后你就会走上一条清晰的中层道路,走向智能工厂。清楚识别你的用例会帮你销售它,也会帮你解决它;如果是一个缺陷检测问题,你可以寻找像 Mariner 这样专门从事该领域的公司。从那开始,也许你会识别其他可以后续处理的用例。

开始识别这些用例最好的方法是与有问题的人交谈。与工厂车间的人交谈,和实际做事的工程师交谈。他们往往会意识到很多日常问题;他们可能甚至在压制这些问题,或者只是试图减轻问题,如果你问他们的话,他们会很想得到一个解决方案。也要与比你职级更高的的人交谈。告诉他们,“我们把钱花在哪里了?”

对智能工厂来说,机器视觉的重要性是什么?

当我们讨论t工厂环境中的机器视觉、摄像头系统或计算机视觉时,我们所指的通常是固定位置的固定摄像头,有固定的类型。它们是根据生产线高度定制化的。他们被设计固定在它们的位置、照明和设置上,以针对生产线上特定的产品。它们的重要性在于改善质量控制流程的能力。

有个概念叫总质量成本,对吧?你要在工厂车间上花钱让出厂的产品获得良好的质量。如果不这么做,你就会收到很多退货,会有保修索赔。不在工厂车间的质量成本上花钱,结果是你仍然要在质量成本上花钱;而且还面临合同取消和坏的品牌关联。

支付这笔成本最便宜、最高 ROI 的方法就是在工厂车间做质量工作。这不是新概念。自密歇根州迪尔伯恩的第一条装配线以来,就有一些人在装配线的末端查看产品并进行质量控制。机器视觉系统,或摄像头系统来帮助完成这一工作,这已存在了几十年。它们很有用,因为可以呈现非常一致的外观,从一块到另一块,从一部分到另一部分。看起来也是一样的,正如我之前所说,摄像头的位置是固定的。

人工智能如何帮助将这一过程提升到新的水平?

在过去的几十年里,机器视觉系统一直非常擅长解决二进制问题。例如,这块上面有洞吗,或是这块上面没有洞吗?这是个二进制的问题:是或否。这里使用传统的编程是非常容易的,它依赖于那些真/假问题,得出一个真/假答案。

但如果你的问题不是二进制时会发生什么?当你不只是问这是不是一个洞的时候,而是比如当你在看这是布料上的油渍还是一块棉絮的时候,会发生什么呢?它们都是有点模糊的。可能油渍有点模糊,而棉絮没那么模糊,但你必须在模糊等级之间划出一条鲜明的界限。如果有块棉絮比你划出的界限更模糊,那么会发生什么?这就被称为缺陷。如果油渍比你预想的更模糊,会发生什么?它会被忽视,因为你可能认为那是棉絮。这就是人工智能发挥作用的地方。

有了机器学习和深度学习技术,你不再需要为真/假答案划出一条界限。你只需用足够多的油渍和棉絮样本来训练人工智能,人工智能就能自己学会区别是什么。人工智能可以解决那些以前仅靠传统编程无法真正解决的挑战,所以你可以经常让你的机器视觉系统、你的摄像头系统做你本来需要它做的事情,以及它从来没有真正做好过的事情。

如果制造商缺乏 IT 或人工智能支持,他们可以做什么?

在 Mariner,我们使用一个工具。我们请你的质检人员把所有显示缺陷的产品拍成照片,上传到工具,并在旁边画一个小框。这是让你的质检人员做他们擅长的事情—看这些图片并指出缺陷。我们可以利用这个做我们擅长的部分,也就是数据科学。我们的数据科学家将构建一个人工智能模型,这样你就不需要在工厂车间里配置数据科学人员。我们已经帮你解决了。

其他解决方案和其他领域的其他公司可使用预建模型。这些模型不一定可用,取决于预建模型与工厂车间里的特定情况有多大的匹配度。

所有数据收集和处理在哪里进行,边缘还是云?

这得视情况而定。如果你的工厂里有 1 万个传感器,而且正在产生数千兆字节的信息,那就不得不在云中进行。在机器视觉方面,对云的依赖性要小一些。Mariner 使用的是 Spyglass Visual Inspection (SVI) 解决方案,实际上是一个混合解决方案。这是因为,对于实时缺陷检测工作,我们没有时间到云端来回跑。我们在工厂车间进行实际的缺陷检测和人工智能推理工作,因为即使失去互联网连接,你的生产也不会停止,工厂也不会关门。

但我们确实要用到云。SVI 设计成无头运行,没有任何人站在旁边,但工程师可以回去审查人工智能做出的决定。如果人工智能出了错,工程师可以纠正它。这将上升到云端。如果需要重新训练人工智能模型,我们可以在云端进行,因为这不需要实时连接。

你们如何与这个生态系统中的其他合作伙伴合作,让一切整合起来?

第一,我们不销售摄像头;我们是一个人工智能软件即服务解决方案。如果你需要摄像头,我们与一家视觉集成商合作,会为你提供合适的摄像头。总的来说,我们不关心是什么摄像头;我们可以利用你已有的任何摄像头,或与你合作获取一个。

第二个合作伙伴,因为我们需要强大的处理能力,我们与英特尔® 和 Nvidia 都在工厂车间密切合作。我们提供人工智能软件即服务,讽刺的是,它会在一个服务器盒子上配送给你。我们这样做是因为我们可以构建这些服务器盒子来做我们想做的事情。因此我们有英特尔® 至强® 芯片,用于特别强劲、大型的处理,我们有 Nvidia 显卡,用于额外的 GPU 能力。

我们还与微软在云端合作,通常是在 Azure。Azure 上有很多预建服务和其他功能我们可以利用,并确保安全和速度以及所有其他重要的事情。

还有什么要补充的吗?

你可能不需要 Mariner 的解决方案,但你需要在工业物联网和人工智能方面取得进展。实际上,考虑到你的用例,你可能需要也可能不需要人工智能,但你终将需要拥有一种工业物联网。我主要会鼓励人们思考适合他们的用例和情况。找到那个机会,加入,别成为最后一个。

相关内容

要了解更多关于缺陷检测的信息,请阅读《有保障的机器学习模型》,并收听《你可以信赖的产品缺陷检测:使用 Mariner》。有关 Mariner 的最新创新,请在 Twitter 上关注 @MarinerLLC,LinkedIn 上关注 Mariner

 

本文由文案编辑 Erin Noble 编辑

作者简介

Christina Cardoza is an Editorial Director for insight.tech. Previously, she was the News Editor of the software development magazine SD Times and IT operations online publication ITOps Times. She received her bachelor’s degree in journalism from Stony Brook University, and has been writing about software development and technology throughout her entire career.

Profile Photo of Christina Cardoza