本文最初发表于2019年6月5日。
随着全球制造商日益自动化和连接他们的生产操作，质量已成为产品和公司品牌声誉之间的关键区别之一。这一现实正促使更多的公司探索先进的技术来改善他们的质量过程。如今，这一领域最流行的技术是机器学习。
我们最近覆盖Frito Lay对机器学习的使用来测试薯片的质量，并简化土豆的称重过程。现在我们知道摩托罗拉正在将这项技术应用于其手机生产业务。
摩托罗拉正在使用instrument的机器学习软件来更快地发现设计和生产问题，加强线上的质量控制，并简化他们的问题响应，以按照严格的时间表交付新产品。
视觉的作用
2018年1月，摩托罗拉开始与仪器公司合作，首先确定了几个手机组装状态，突出了手机制造时的所有关键组件。有了这些信息，仪器公司在不到三周的时间内建造和部署了包括摄像机、可调照明和定制灯具在内的检测站。
仪器公司的首席执行官Anna-Katrina Shedletsky解释了在这些检测站使用摄像机的原因，她说:“工业中的视觉是非常具体的，例如，测量差距;但这是视觉的另一种用法。因为我们要去的地方没有任何(预先存在的)视觉系统，所以我们用一个没有知识产权的2000万像素前视相机建造了一个低成本的工作站，并将其与我们的软件集成在一起，作为线上的测试站。我们使用摄像头扫描条形码并拍照，同时软件进行实时分析，给出通过/不通过的结果。”
仪器公司使用视觉技术的另一个不同之处是，图像一经收集，就被上传到仪器公司的数据库，并通过仪器公司的网络应用程序提供给世界各地的摩托罗拉工程师。根据仪器公司的说法，完整的数据记录是仪器公司和传统工业视觉系统之间的关键区别，在传统工业视觉系统中，应用程序必须非常具体，数据仍然被困在工厂的本地机器上，团队无法获得。
PCB上的黑暗斑点
摩托罗拉最初将仪器公司的软件应用于手机的印刷电路板(pcb)上。PCB检测的行业标准是自动光学检测(AOI)系统，它将电路板的图像与数字CAD文件进行比较，以确保每个部件都存在。Shedletsky说AOI的一个局限性是它不能发现新的缺陷或损坏，也不能分析经过额外组装步骤的pcb，而这在现代小型化设备中是非常普遍的。
在仪器机器学习算法的首次应用中，在pcb的一个子集的空区域检测到黑斑。当工程师们对此进行检查时，他们确定这些斑点与埋在地下的通孔(连接两个或更多PCB内层的区域)对齐，而这些通孔构成了电路板本身的电路。有了这种洞察力，工程师进一步调查,发现董事会厚比中出现了严重的问题与他们的关键公差堆栈ups(最大和最小距离的计算两个特征或部分)和可能是很难追踪问题的来源。
“这些多氯联苯已经通过了AOI，而且通过了——尽管斑点很明显，”谢德列茨基说。“使用仪器数据，很容易看出有缺陷的pcb都来自于一个供应商，使摩托罗拉团队能够与他们的供应商合作，迅速纠正问题。”
能够算法
谢德列斯基说，一旦第一批30台机器完工，摩托罗拉的工程师就可以使用仪器公司的机器学习算法来发现他们之前没有意识到的新缺陷。一旦发现一个缺陷，就可以设置每个后续的单元来测试相同的故障模式。然后将故障自动分类到集合中，并实时计算缺陷率和趋势。
推动仪器技术的机器学习方法也使每个Monitor(仪器的软件应用程序)能够学习典型单元和异常单元之间的差异。这使得我们可以设置测试，自动发现未预见的缺陷，这是传统工业视觉系统无法做到的。”
在解释Monitor时，Shedletsky将其描述为一个软件应用程序，让工程师建立一个只在云中运行的测试。她说:“当Monitor确认它捕捉到了工程师想要识别的东西时，我们有一个下拉选择，它将把自我编程的算法推到产品配方的边缘。”“算法的训练是在云端进行的，计算是在现成计算机的普通显卡的边缘完成的。”
自动编程的算法能力是仪器仪表机器学习技术的一个关键特性，它消除了公司雇佣数据科学家将机器学习应用于其生产操作的需要。
“我们设计了该软件，以便工程师提供专业知识，以确定有缺陷的部分。然后，工程师访问Web应用程序以查看图像并按关键参数或沿线的地方进行排序或过滤它们，“Shedletsky表示。“工程师告诉系统在哪里看，然后将算法运行并将堆栈排名从最不正常到最小二乘返回。然后，软件的用户可以在错误或良好之间绘制阈值并给予它的名字;例如，移位部分，倾斜开关等“
她补充说，仪器公司的算法可以发现已知问题和未知问题。“我们不需要一个失败的例子来建立一个测试——你可以建立一个基于所有好的产品的测试，这样结果就成为寻找的基础，”谢德列茨基解释说。“我们可以从30张图片开始，而大多数机器学习系统通常需要数千或数万张图片。”
