虹科如何用AI视觉助力质量检测，以直观简易的方式部署实施收藏

AI视觉是一种基于计算机视觉和人工智能技术的前沿技术，可应用于各种质检场景通过该技术，可以迅速检测产品外观缺陷、零件缺陷、装配误差等问题，进一步强化产品的质量和稳定性当然，这项技术还需要进一步发展成熟，特别是在工业环境中还需要继续完善，才能达到公认的传统图像处理方法那样的接受水平。

虹科为用户提供了友好的软件工具和智能相机硬件，这样，即使用户没有经验，也可以使用AI视觉来处理项目应用，并以直观简易的方式部署实施AI带来的优势相比基于规则的方法，基于AI的方法工作方式完全不同，这是它们最大的优势。

这使提供商能够开发全新的图像处理工具，这些工具的使用方式更加直观这些工具通过机器学习，已经能够将人工质量要求工作转由基于AI的图像处理系统实施，从而实现了流程优化和自动化通常，在这个过程中不需要编写任何源代码，这样就消除了对编程技能的需求，从而大大拓宽了AI视觉的目标群体。

这样，公司在评估阶段不必再依赖程序员和图像处理专家，可以选择最了解产品及其特点的员工进行可行性分析应用示例我们可以看看一位虹科客户的应用示例，从而了解AI视觉的优势旋转轴通常用卡环固定然而，只有卡环完全啮合在轴槽中，才能确保连接100%安全。

错误安装可能导致产品损坏质量保证的任务似乎很简单，只要检查卡环是否正确接合即可！然而，事实是，由于尚未找到安全的自动化解决方案，这一检测仍以人工方式执行基于规则的图像处理测试只能确保卡环是否存在即使在理想情况下，也只能做到确定卡环的“耳朵”的距离是否大于要求距离。

然而，这并不一定意味着卡环已牢固接合！它也可能只是放在上面！在这种错误情况下，只能通过难以实现的规则描述细微图像差异，困难重重而如果使用机器学习方法进行可行性分析，仅需要正确和错误案例的一些图像示例（在这种情况下不超过300例）来训练神经网络，就能够以较高可信度预测卡环的错误位置。

因此，只针对极少数不确定的结果进行手动目视检查就足够了验证神经网络训练的效果可以通过样本图像的测试来验证神经网络训练的效果使用包含已知错误类别的图像进行测试运行，就可以体现学习精度和AI结果的质量“良好”和“不良”案例的概率差别越明显，“良好”和“不良”之间的决定性阈值就越清晰，这样就可以在生产运营后期尽可能减少“良好”和“不良”案例的错误识别。

测试期间确定的“良好”概率的变化也有助于优化生产环境毕竟，环境条件和不相关的图像内容变化越小，对AI分析中的相关区别特征做出的质量陈述就越具体

图1 使用已知错误类别的测试数据对训练后的CNN进行验证，一方面显示了网络识别错误的能力，另一方面显示了结果的变化程度具备充分解释的能力事实上，人工智能质量决策无法通过一组明确定义的规则进行追踪，算法更像一个黑匣子，但是这并不意味着结果无法解释。

“热力图”或“异常图”等工具能够显示与预测相关的像素在图像中的位置以及它们产生影响的程度在我们的卡环检查中，这些工具指出了已知缺陷类别的相关特征，符合预期这在异常检测中尤为明显，使我们能够整理出未知（当然也就未经培训）的缺陷案例。

这证明了机器学习方法还能够使用已知特征的训练知识，准确显示将出现的未知问题例如，失焦相机图像导致异常图在多个位置标记偏差

图2 注意力地图显示了相关的图像像素，从而直观解释了人工智能预测是如何产生的应对计划之外的情况因此，异常检测为质量保证带来了另一项优势，这在基于规则的图像处理中难以实现这种方式能够发现相较正常情况的任何偏差，即使在训练中并未充分体现这种偏差也不会构成障碍，这成为决定性因素。

换句话说，它能够应对计划之外的情况因此，当其他方法对“未知”的情况难以判定，有时甚至失败时，这种方法可以充分发现各种隐藏问题这包括在正常运行过程中某个时刻可能发生的一切情况由于可以获得系统状况的连续数据，例如增加产品缺陷或偏差（即异常）的情况，人们能够在产品质量大幅下降或发生最坏情况（如工厂故障）之前确定维护系统的最佳时间。

图3 异常误差的增加可能表明由于工具磨损、污垢或其他干扰导致的生产条件恶化用户友好型工具AI视觉可以通过多种方式在质量保证领域大显身手，并可以扩展或改进现有应用循序渐进很重要提前进行可行性分析有助于了解一项任务是否真的可以用AI视觉处理，否则会导致在专家人员、知识构建和AI系统方面白白耗费大量金钱和时间。

这就需要一系列用户友好型软件工具的帮助，它们可以实现完全基于图像的初始评估，甚至可以在云端完成这一过程既不需要具有AI能力的真实视觉系统，也不需要单独的训练平台这大大降低了投资风险这些工具用户界面直观，工作流及向导易于理解，因而对于那些在AI或图像处理和应用编程方面还没有太多经验的用户来说，门槛大大降低。

尽管如此，AI视觉需要对有效训练所需的合适视觉材料有一定的了解这是得出可信结论的先决条件，用户能够以可理解的方式对这些结论进行评估同样重要的是，引入经验丰富的合作伙伴后，他们不仅可以使人工智能系统达到最佳状态，还能够查看并支持基于机器学习的质量保证的整个工作流程。

由一个服务来源提供充分支持也是保障AI视觉环境成功的因素之一，应该予以充分重视因此，AI视觉用于质量保证可能不像宣传的那么简单，但肯定比通常认为的更简单

虹科NXT智能相机图像处理“边缘设备”的嵌入式解决方案；降低网络负载，减少能耗；开发您的专属视觉应用，将应用安装在相机上；推理时间短；提供不同的保护等级和传感器；适合任何检测和分类应用；适用于工业应用场合；小体积，重量轻

虹科NXT lighthouse云端AI训练平台完整工作流程：虹科 NXT lighthouse是一个基于云的AI视觉工作站，用于管理和注释图像数据集、训练神经网络并基于它们创建图像处理应用因此，AI视觉任务可以通过一个云服务得到充分开发和解决。

流程简单：几分钟内搭建人工神经网络只需关键的三步：用户上传训练图像，标记这些图像，然后训练目标网络即时可用：只需调用Web应用程序，然后登录，您就可以开始训练人工神经网络无需创建单独的开发环境，可以直接使用所有功能以及所需的基础结构。

非常安全：可以选择在微软Azure或AWS（亚马逊网络服务）上托管和运行IDS lighthouse这两种云服务都将客户和应用程序的数据存储在严格安全的数据中心适合您的选择：用户自行决定 NXT相机的推理速度和准确度。

推理时间为15到120毫秒简易应用开发：借助模块化编辑器，即使没有编程知识，也可以使用机器学习方法创建单独的图像处理序列，例如对象的检测或分类作为Vision应用，这些过程可以直接在NXT设备上执行

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。