自动视觉质量检测正在重新定义 QC

我们都去过那里 - 眯着不同角度的东西，想知道这种微小的缺陷实际上是一个缺陷，还是只是我们的眼睛在诡计。对于制造商来说，不确定性的时刻可以乘以数千种产品，这不仅令人沮丧，而且昂贵。

人类的视力是非凡的，但它有它的局限性。我们累了。我们分心了。我们不一致。有些缺陷远远超出了我们的眼睛能够可靠地检测到的缺陷。这就是为什么人工智能驱动的视觉系统越来越多地被用于自动化视觉质量控制检测，看看人类错过了什么，并改变了世界各地的制造车间。

想一想您上次试图发现两个类似图像的差异。虽然它可能作为一个谜题很有趣，但作为一个八小时的班次，它已经筋疲力尽了。传统的质量检测主要依赖人工目检，这种方式存在一些固有弊端：

• 疲劳： 经过数小时的检测，即使是最锋利的眼睛也会感到疲倦
• 主观性： 一个检测员的缺陷可能会与另一个检测员一起通过
• 速度限制： 人眼每秒能处理的视觉信息毕竟有限
• 不可见光谱： 我们看不到紫外线、红外线或显微镜细节

另一方面，AI视觉系统不会感到疲倦，不会改变他们的判断，并且可以以令人难以置信的速度处理图像。康耐视 In-Sight 系统等解决方案采用内置 AI，每分钟可分析数千个部件，精度一致，可查看小至 微米的细节，并在人类看不见的光谱中运行。

但真正的革命不仅仅关乎不知疲倦的眼睛，还关乎智慧。 

传统机器视觉依赖于基于规则的刚性编程。它适用于简单、一致的任务，但却难以应对变化。如果产品略有变化或照明条件发生变化，检测的准确性往往会受到影响。

现代 AI 驱动的系统采用截然不同的方法。这些系统不是依靠明确的规则，而是通过分析示例来了解“好”是什么样子。这使他们能够处理会混淆传统系统的变化：

• 表面纹理自然变化
• 具有可接受的化妆品变型的产品
• 缺陷判断依赖复杂情境的纹理模式
• 多种产品类型，无需重新编程

1. 预测性质量洞察

   AI 不仅可以识别缺陷，还可以识别模式。通过分析随时间变化的缺陷数据，系统可以在趋势成为重大问题之前发现它们。

   这种预测能力将质量控制从被动功能转变为主动功能，在问题发生之前就解决问题，而不是事后抓住它们。每个人都能熟练掌握。

2. 适合每个人的专业知识

   最令人兴奋的发展之一是，非专家如何让 AI 视觉系统变得更加容易获得。例如，Cognex AI 驱动的引导式设置允许生产人员在没有专业编程技能的情况下训练视觉系统。

   这种民主化意味着质量控制专业知识不会被锁定在专业部门，而是在整个组织中可用。

3. 持续改进引擎

   也许最有价值的好处是人工智能视觉系统如何推动持续改进。借助 康耐视 In-Sight 产品中的深度学习工具，系统会随着时间的推移变得更加智能。

   这就形成了一个良性循环——更好的检测可以改善流程，从而带来更好的产品，从而带来更精细的检测。

AI 视觉的影响不仅仅是发现缺陷。它正在以深刻的方式重塑制造流程：

实现新产品设计

当公司知道他们能够可靠地检测出微妙的缺陷时，它为以前可能风险太大的更具创新性的设计开辟了可能性。

提高可持续性

减少错误拒绝意味着减少浪费——既能为底线也能为环境带来胜利。一家食品制造商报告称，在采用 AI 工具实施 Cognex In-Sight 系统后，废物减少了 30% 以上。

支持重排工作

随着世界各地的公司将制造业带回国内设施，人工智能视觉系统实现了零接触自动化，使制造商能够以更少的检测员保持更高的质量，以便他们可以管理劳动力成本。

如果您正在考虑实施 AI 驱动的视觉系统，以下是一些实际的第一步：

1. 从一个具体的、高影响力的问题开始，而不是试图一次性改变一切。许多制造商发现，自动化视觉检测系统在最初专注于最具挑战性的质量问题时效果最好。
2. 收集好产品和各种缺陷的示例进行训练。
3. 选择不需要广泛编程的直观界面系统。
4. 计划与现有系统和工作流程集成。

5. 尽早让操作员参与进来，以建立认同感并收集有价值的见解。

   过渡不一定是破坏性的。许多制造商从单一应用开始，证明价值，然后扩展到其他领域。

人工智能视觉最成功的实施并没有将人类从质量控制中消除出来，它们将人类的角色从繁琐的检查转变为更重要的活动，如流程改进和异常处理。

人类洞察力和人工智能之间的这种建设性互动不仅增强了质量控制，还为我们刚刚开始想象的制造可能性打开了大门，揭示了一直隐藏在清晰可见的细节。