本文主要介绍制造业中最突出的人工智能应用列表，从缺陷检测、到预测性维护，以及自动化质量控制中了解AI如何塑造制造业的未来。

报告显示，到年，全球人工智能制造市场预计将达到9,,,美元；

研究表明，欧洲制造商已经在拥抱人工智能的激增，69%的德国制造商表示他们准备很快在其运营中实施某种形式的人工智能；

欧盟委员会估计，由于各种缺陷，某些行业多达50%的生产可以完全取消。

基于计算机视觉和机器学习的人工智能解决方案，正在塑造缺陷检测、预测性维护、液位分析、资产检查。这开启了制造业的新时代——工业4.0，它消除了对耗时和繁琐检查的需求，取而代之的是计算机视觉系统，以确保对生产装配线进行更高水平的质量控制。这是关键，因为人工智能可以发现肉眼很容易漏掉的缺陷。

我们还将重点介绍当前制造业中的一些AI用例，并描述公司如何使用训练数据平台（例如V7）来训练和部署AI模型。

01缺陷检查

一百多年前，质量控制是亨利福特的梦想。但由于传统的流水线一直依靠人来完成自己的工作，它总是受人为错误的摆布。肉眼只能看到这么多，幸运的是，人工智能可以看到更多。

计算机视觉通过自动光学检测(AOI)帮助制造商进行检测检测。使用多摄像头，它可以更轻松地识别缺失的部件、凹痕、裂缝、划痕和整体损坏，图像跨越数百万个数据点，具体取决于摄像头的功能。

公司已经在采用人工智能视觉检查。例如，FIHMobile正在智能手机制造中使用它来突出缺陷。使用计算机视觉来发现缺陷有很多好处。它可以及早发现缺陷，还可以让制造商收集多个统计数据，帮助他们改进装配线。

最终，计算机视觉将减少错误和浪费的幅度，同时节省时间和金钱。人工智能可以执行的各种缺陷检查包括使用模板匹配、模式匹配和统计模式匹配等技术。检查快速准确，人工智能还具有了解各种缺陷的能力，因此随着时间的推移，它可以更好地完成工作。

此外，由于计算机视觉系统是在数千个数据集上进行训练的，它们可以克服AOI的缺点，包括图像质量问题和复杂的表面纹理，以进行精确的评估。使用V7的软件，您可以训练对象检测、实例分割和图像分类模型来发现缺陷和异常。

您输入系统的数据越多，系统就越容易了解不同类型的缺陷。这使它能够对材料或产品的未来质量做出更准确的预测，从而使您的公司能够实现无差错的生产。当然，仍然存在挑战。这些包括缺乏训练数据、质量差的图像/视频以及初始设置成本。

02质量保证

一份报告显示，多个组织都在为质量保证而苦苦挣扎。问题是与质量相关的成本对销售收入造成了巨大的影响（通常高达20%，但有时高达40%）。这些数字比较惊人，但是，我们可以由此推断，如果企业能够提高质量保证，利润就会飙升。

让我们举一个例子来说明我们的意思。快速消费品公司(FMGC)长期以来都存在一个共同问题：印刷标签质量很差，以至于在将代码应用于湿标签时，整个生产线会陷入停顿。

像APRILEye这样的计算机视觉解决方案正在纠正这些问题，使用在超大规模数据集上训练的图像分类和对象检测算法，以每分钟1+包的速度验证日期和标签代码。

克服了字体失真、缺少文本和字体变化等挑战，并且生产线不会陷入停顿。事实上，计算机视觉在制造业的整体质量保证过程中发挥着关键作用，这受益于其在包括电子、汽车、通用制造等行业生产过程自动化发挥的作用。

例如，汽车行业受益于油漆表面检测、铸造发动机缸体检测和冲压车间检测。计算机视觉系统能够发现裂缝、凹痕、划痕和其他异常情况。同时，在电子行业，同样的系统可以检测有缺陷的元件、有缺陷的胶合和缺件，而在通用制造业，它可以帮助进行表面检测、织物检测和包装检测。

03产品组装

长期以来，埃隆·马斯克一直被视为开拓者——一位不断开拓新领域的艰巨科学人。他所打破的土地并不总是像向火星发射火箭那样奢侈，他与改进特斯拉的生产线一样扎实，现在这些生产线的自动化程度超过75%。

为什么这很重要？

这很重要，因为制造商作为工业4.0演进的一部分，普遍采用自动化产品组装流程。多家制造商使用计算机视觉来帮助改进他们的产品组装过程。例如，使用计算机视觉检测系统构建3D建模设计，制造商能够简化传统人工难以完成的特定任务。

当操作员必须在一天内多次切换产品时，计算机视觉还可以通过标准操作程序帮助操作员。这允许更有效的过程。此外，它还为工人提供指导，帮助他们正确完成每个步骤。

每次出现故障或其他类型的问题需要尽快纠正时，也会通知经理。为了解决这个问题，安装了CV驱动的摄像头，将图像输入AI算法，然后扫描图像以查找故障。当算法标记出问题时，经理会立即收到通知，然后可以采取行动。

同样，对象检测和对象跟踪也可用于帮助制造商发现装配线上的异常情况。此类异常可能包括裂缝、划痕和其他缺陷。虽然机器人手臂已经在产品组装过程中使用了几年，但计算机视觉能够通过引导和监控它们的手臂来进一步提高它们的精度。

最终，通过计算机视觉改进产品组装过程，以更少的错误完成组装过程，降低了制造业的生产成本。

04个人防护装备检测

根据NIOSH的数据，美国工作场所每天发生2,多起工伤事故，参加美国安全工程师协会会议的人中有80%声称看到工人在没有安全设备(PPE)的情况下工作。

此外，30%的人表示他们曾多次看到工人在没有安全设备的情况下工作。当然，通过完全使用个人防护装备，可以大幅减少甚至完全预防这2起工伤。这里的主要问题是，公司几乎不可能整天监控他们的工人使用PPE。

这就是人工智能的用武之地。

计算机视觉驱动的摄像头能够检测到安全眼镜、关节保护器、手套、护耳器、焊接面罩和护目镜、高可见度夹克、面罩和安全帽等。他们可以发现工人何时穿着上述任何或所有服装，以及当一名应该穿着上述任何或所有服装的工人遗漏了一件或两件（或三件）物品时。

在这一点上，我们不得不问计算机视觉在发现PPE方面有多有效。一项研究为我们提供了一些答案，描述了在建筑工地实施的实时计算机视觉系统，该系统接受了PPE和姿势检测培训。

为了构建该系统，研究人员使用现场安装的摄像头收集了包含90多个视频的庞大数据集，然后对数据进行注释并训练对象检测模型。

结果是高级别的东西。召回率和识别率分别超过95%和83%，而验证和模型测试中的姿势分类分别为64%和72%。

计算机视觉如何能够检测PPE？

在使用深度学习训练模型之前，它从多个建筑工地的视频记录中收集了数千张图像——根据一篇论文，多达2,张图像。

深度学习是必不可少的，因为没有它，训练对象检测算法来处理大量数据是不可能的。如果没有这些海量数据，计算机视觉系统就无法正确区分对象，也无法将它们关联起来。

论文中使用的模型继续达到0.96F1分数，而召回率和准确率平均为96%。最终，在制造业中使用计算机视觉进行PPE检测有助于减少工作场所事故，同时为公司节省资金，还可以降低保险费，并可以促进更好的工作文化。

此外，为PPE检测添加计算机系统的过程远非具有挑战性。在使用图像注释工具标记PPE设备之前，公司可以使用闭路电视、监控摄像头和其他设备来收集数据。然后，可以训练对象检测模型并将其应用于公司的计算机视觉系统，以便实时检测PPE。

05读取文本和条形码

光学字符识别通过计算机视觉检测和读取印刷、预印和印章的图像。OCR能够轻松破译文本——包括其所有不同的语言、字体和样式——并将其转化为有意义的东西，同时将其数字化。这允许企业更快地访问可操作的数据。

这对制造业有何帮助？

组织通常会遇到大量传入的文档。OCR能够帮助减轻负担、加快操作并减少人为错误，方法是先从所有传入的文档中提取数据，然后再将数据转化为业务就绪的数据，并且可以根据标题、内容和关键字对其进行索引。

手动表单处理所需的通常步骤要么减少要么完全消除，同时最大限度地减少或完全消除人为错误。这是因为OCR能够直接从扫描/打印的图像中识别数据，从而减少数据输入时间。

ORC可以执行许多任务：

有效期验证

标签放置

标签验证

运输数据管理

客户积分

加快产品退货

文本扫描仪适用于所有文本，包括以下文本：

旋转

对角倾斜

弯曲

极低的分辨率

任何语言

它也适用于以下字母：

拉丁

西里尔

简体中文（普通话）

日本人

像所有计算机视觉技术一样，OCR还不完美。如果光线条件不佳或文本/图像模糊，OCR的功能可能会降低。然而，已经有一些解决方案可以确保OCR能够克服其挑战，而其深度学习过程确保系统能够以超快的速度熟悉印刷文本。

值得一提的是，许多制造公司已经采用了OCR。事实上，OCR市场正在以巨大的速度扩张。据介绍，年其市场规模为74.6亿美元，预计从现在起（年）7年内实现16.7%的年增长率。

06库存管理

在大型仓库中定位库存并不容易——事实上，它极具挑战性。事实上，从整体上监控仓库库存在准确性和效率方面是很棘手的。目的是尽可能准确地对其进行监控，同时消除所有或至少大多数错误。

但要完成如此多的任务，包括库存审计、标签和标签，避免可能对整个供应链产生不利影响的错误绝非易事。除非企业采用计算机视觉系统，否则就是这样。

制造公司现在使用计算机视觉来：

盘点库存

转载请注明:http://www.aideyishus.com/lkzp/3906.html