如今，人工智能(AI)几乎没有触及工业技术领域。从控制器到ERP.到食品安全和机器人，AI正在改变我们使用的技术，以微妙地和不如此微妙的方式运行制造和处理设施。
一个具有较大潜力的应用程序从AI受益，是质量控制。使用智能摄像机和相关的AI的软件正在帮助制造商在人类检查员能力的速度，延迟和成本上实现改善的质量检查。鉴于Covid-19的社会偏差要求，这些智能摄像机技术的到来的时间是偶然的。
当然，制造商已经使用了多年的优质应用中的机器视觉。但是添加了深入的学习质量控制软件代表了早期机器视觉技术的出发。
为了帮助了解AI如何改变机器愿景，Anatoli Gorchet，Neurala（AI Vision软件的供应商）的联合创始人和首席技术官，解释了使用机器视觉传统工业检验过程背后的过程。
Anatoli Gorchet，Neurala的联合创始人和首席技术官。
第一步涉及确定由相机捕获的图像中的哪些特征（例如边缘，曲线，角，颜色斑块等）与检查相关。然后，专家创建基于规则的系统，例如，细节，例如，“黄色”和“曲率”将一个物体分类为包装线中的“成熟的香蕉”。基于专家的输入的生成系统自动决定产品是否存在预期。
虽然这种方法非常有效，但有一些情况，其中它使机器视觉无效。“例如，良好和坏产品之间的差异是高度定性，微妙或变量之间的实例可能很难检测，”Gorchet说。
这是AI进入图片的地方。AI-Powered Software而不是拥有机器视觉系统依赖于专家创建的规则，而是可以了解哪些方面是一个自己的重要性，并创建确定定义优质产品的功能组合的规则。
“有了神经网络学习算法，用户不再需要为每个生产场景手工制作机器视觉模型，”Gorchet说。“他们只需要收集适当的数据——无论是水果、飞机部件还是通风机阀门——然后用这些数据训练模型。”
AI模型Gorchet的类型称为这里被称为“深度学习”。这些深度学习系统（例如深度神经网络（DNN），以监督方式训练，以识别特定的事物。在典型的检查任务中，可以培训DNN以视觉识别例如呼吸机阀，基于良好和呼吸机阀的图片。
戈切特说:“一旦收集了这些图片，典型的深度学习系统就会有一个训练方案，当提供大量和多样的数据时，训练出的模型最终会非常擅长提出精确、低错误、有信心的分类。”
当然，如果线路切换到不同的部分或产品，必须再次进行数据收集，培训和部署以开发一个新模型。
为了简化这一过程，正在探索一种新型DNN用于工业质量检查。这些dnn被称为“持续”或“终生”学习dnn (l - dnn)。根据Gorchet，这些l - dnn将特征训练和规则训练分开，动态地添加新的规则信息。
“与传统的DNN一样，它们需要基于大型平衡数据集的特征慢速学习 - 这包括良好阀门的等量的良好量以及每种可能类型的缺陷阀;但与传统的DNN不同，它们在这个阶段不包括规则学习，因此不需要所有已知的阀门缺陷的图像，“他说。“事实上，只要它们具有类似的特征，图像甚至不需要是阀门：曲线，边缘，表面特性。此数据集可以是非常通用的，不必是特定于行业的。这意味着模型创建可以由L-DNN提供商完成一次，并且根本不需要涉及制造商。“（编者注：Neurala是L-DNN技术的供应商。）
这意味着制造商只需要一组很少的良好阀门图像，用于系统学习一组良好阀门的规则。L-DNN解释为Gorchet，可以仅使用良好的数据来学习小型数据集的单个呈现，然后在遇到非典型产品时建议用户。“L-DNN的培训方案可以覆盖一组数十图像，构建对对象的原型理解，并且如果在生产变化时，可以部署和重新配置”，“他说。
