如何在工厂自动化中轻松部署人工智能

曾几何时，生产线和自动化工程师想利用机器视觉和人工智能提高其检验速度和准确性，加速生产线运转，并消除对人工检验的需求。但人们普遍存在的一个误解是，采用这种技术很复杂，而且需要特定的技术知识或机器视觉专家的协助。今天情况不再是这样了。

在引入边缘学习等新技术后，人工智能现在使用起来要比以前更加简单了。边缘学习是人工智能的一个子集，使用一组经过预训练的算法直接在设备或“边缘”上进行处理。

In-Sight 2800 视觉系统针对工厂自动化的需求进行了优化，利用边缘学习技术快速、轻松解决一系列应用问题。这一系统可以在短短几分钟内完成部署，而且不需要深度学习或机器视觉经验。

作为一种新出现的技术，您可能对边缘学习以及如何利用 In-Sight 2800 进行部署有疑问。我们在下面列出了最常见的问题并给出了答案。

使用边缘学习需要具备何种专业水平？

工厂车间中的任何人都可以完成边缘学习的搭建 - 生产线工程师、工程主管、工艺工程师或质检工程师。边缘学习需要具备的不是视觉知识，而是生产线和产品知识。如果您了解零件产生缺陷或得以通过的原因，或需要将零件归入的类别，您就知道了使用边缘学习的全部所需知识。

训练某个人使用 In-Sight 2800 边缘学习需要多长时间？

了解 In-Sight 2800 的所有功能可能需要一两小时。但了解如何使用其基本功能只需要非常短的时间。一名工程师将系统接通电源，将其指向想要检测的零件，获取训练图片，然后在不到十分钟内就可以产生有用的结果。

In-Sight 2800 设计用于工厂车间，这种设计的一个重要元素是点击式 EasyBuilder 开发环境。直观的界面提供了优化这一过程所需的反馈，同时用户可以试验不同选项的作用，比如不同的光照颜色（红、绿、蓝、白）或焦点。

图片设置的难易程度如何？

In-Sight 2800 非常容易优化您的零件或相关区域的外观。以下视频的 00:30 标记处演示了如何进行操作。

对某个东西分类是什么意思？

“分类”是指为零件指定有用的类别以便检验的过程。在产品检验中，这些类别通常为 OK/NG，通过缺陷检测来区分合格（通过）和不合格（失败）零件。分类通常涉及到将产品分为多个类别，比如不同的零件变体或不同配置的多零件套件。

举例说明如何使用基于边缘学习的分类？

比如说，您的产品是一种容器，内含计量内容物的小勺子。每个容器必须配备一个而且只能有一个小勺子。当容器下线时，勺子可能呈各种角度，或部分被容器内容物掩盖。

只需用 In-Sight 2800 捕获三四张各种情况的图像（或上传现有图片）：无勺子、一个勺子、多个勺子以及说明哪些情况合格和哪些情况不合格的标签。In-Sight 2800 自行决定如何区分这些情况，EasyBuilder 界面向您展示其分类可信度。

如果某张图片分类错误，就会看到置信度下降，您可以运行进一步分析来查找原因。可能您漏掉了某个罐子中的小勺子，然后将其错误标为“无勺”。重新将该图片标为一个勺子的情况之后，置信度会再次升高。就是这样。 

经过简短训练之后，In-Sight 2800 就可以准确地划分各个容器的类别。系统可以发出警报，存储数据，或者沿着生产线发送信息，将不合格容器分流出去。然后为您提供统计明细，这有助于改进工艺。

我是否可以利用现有员工来实施这一技术？

使用 In-Sight 2800 不需要专门的知识。唯一需要的知识是您员工已经具备的知识：如何区分合格和不合格零件，您的产品分为哪些类别，以及何时产品变化要求更新检验以及重新对 In-Sight 2800 进行训练。

因此在生产线或工厂车间工作的任何人经过几分钟的界面熟悉之后，都可以使用 In-Sight 2800。

我如何将 In-Sight 2800 集成到现有生产线中？

In-Sight 2800 具备您所需的任何东西，可以立即投入运行。其中包括高分辨率传感器、高速处理器、多色彩照明、高速液态镜头选项以及直观的点击式界面。除此之外，系统所需的只是电源和数据连接。系统可以在几分钟内启动运行，其体型小巧紧凑，即使是空间最为有限的生产线，也能轻松胜任。

了解部署 In-Sight 2800 的 6 个步骤：