制造和工业环境监控应用的人工智能机器视觉收藏

在传统的工业和制造环境中，监控工人安全、提高操作人员效率以及改进质量检测都是体力工作今天，基于人工智能的机器视觉技术取代了许多低效的、劳动密集型的操作，并提高了可靠性、安全性和效率本文将探讨如何通过部署人工智能相机，进一步提高性能，因为启用人工智能机器视觉的数据就来自相机本身。

支持人工智能的机器视觉根据IoT Analytics报告，2020年，制造业和工业中的人工智能机器视觉市场规模约为41亿美元，预计到2025年将增加至152亿美元，年复合增长率（GAGR）为30%，而传统机器视觉部署的年复合增长率仅为6.5%。

如此高的年复合增长率，是因为下一代实时边缘人工智能机器视觉，不会局限在质量保证和产品检测的应用之中工人的安全是制造业和工业的重中之重，支持人工智能的智能摄像头有助于在这些环境中实现自动监控和检测，必须确保在潜在不安全环境（例如危险的机械设备和危险的材料）中工作的员工、承包商和其他第三方操作人员的安全。

行为和位置（POSE）检测生成的信息可以表明机器操作人员是否处于危险之中，是否遵循标准的操作流程（SOP）或者以较高的生产力和效率在工作最后，自动光学检测（AOI）可以提高质量控制的速度和准确性，即使对于隐形眼镜等难以看见的产品也能够如此。

人工智能助力智能工人安全从全球范围来看，工业环境中的一些设施往往会造成工人的伤亡在评估工人安全时，工厂还必须考虑那些非致命的工伤除了这些伤害之外，通常还需要考虑经济等因素工业和制造业通常采用人工监督和光幕来确保工人的安全。

然而，人类无法做到无处不在，无所不能，因此会面临出错的危险，另外，安全光幕也有其本身的局限性地理围栏在现代化的智能工厂中，人们经常在具有潜在危险的设备（例如机械臂）周围进行工作安全光幕通过在机器接入点和周围创建一个感应屏幕来保护人员免受伤害。

然而，它们占用大量的地面空间，难以部署，并且缺乏灵活性在某些情况下，安全光幕的响应时间有限，从而带来其他的问题传统的机器视觉解决方案使用灵活且易于部署的IP摄像头和人工智能模块，但是延迟还是比较大，因此不适合需要立即响应的应用场景。

安全光幕占用地面空间，部署困难，缺乏灵活性，有时响应能力还有局限性人工智能相机最大限度地减少了延迟，减少了部署空间以及对带宽的要求，并且易于部署和维护凌华科技的NEON-2000系列多合一人工智能相机可以解决延迟的问题。

在将结果和指令发送到相关设备（例如机械臂）之前，他会捕获图像并执行所有与人工智能相关的操作（见图1）与光幕和传统机器视觉设施相比，使用多合一智能相机可以最大限度地减少延迟、减少部署空间和对带宽的要求，并且易于安装和维护。

实时的机器视觉人工智能会提醒工人进入不安全区域，并记录这些信息用来对工人进行再度培训，为增强工人的安全提供了好处记录过去事件的数据，还可能对未来有所帮助例如，如果工人接近危险区域，机械臂并不需要完全关闭，而是进入一个功能安全的流程循环。

诸如此类的例行程序不仅可以提高工人的安全性，还可以提高工厂的运营效率

凌华科技 NEON-2000系列智能加油当加油车到达制造工厂时，它可能会带来许多安全隐患，而这些问题可以通过智能AI视觉技术轻松解决首先，如果制动不正确或者失灵，可能导致车辆翻滚训练人工智能机器视觉系统来监控车辆的运动，当其状态发生改变时可以立即发出警报。

相关设施还必须在加油的过程中考虑操作人员的位置，因为存在不同类型的分区违规确保所有现场工人都了解存在的安全风险变得至关重要例如，有必要在车辆的四个角放置路锥，并确保为车辆加油的操作员穿着合适的个人防护装备——人工智能视觉可以执行所有的安全检查，以确认所有的流程都是正确的。

虽然主管在现场可以加强安全流程的执行，但并非长久之计如果有人闯入危险区域，人工智能机器视觉就可以立即发出警报来自人工智能机器视觉系统的即时警报可以警告操作员的安全漏洞并防止其受伤它还创建了问责制；如果有人在没有穿个人防护装备的情况下进入了不安全的区域，那么记录的图像可以标记错误并教育员工，以防止将来再次犯错。

行为和位置检测对于制造业而言，“周期时间“是生产效率的关键性能指标它表示一个团队在产品准备好发货之前花费在生产项目上的时间使用人工智能相机技术监控员工的行为和位置，有助于执行标准化流程（SOP）并提高员工的效率，缩短周期时间。

电子制造产线上的行为和位置检测，有助于提高生产力，并改善订单、数量和生产线之间的平衡来自实时视频的行为和位置检测扮演着至关重要的作用，它可以将数字内容和信息叠加在模拟量的世界上行为和位置使用一组骨骼标志点（例如手、肘或肩）来描述身体的位置和运动。

人工智能机器视觉让工厂操作员和工人能够专注于身体位置是如何影响他们的工作行为和位置数据是一个很好的培训工具，可以知道操作员将手臂和手放在何处才更符合人体工程学，才能更高效地工作；它还可以改善人们的姿势，这也是另外一个显著的优势。

（见图3）跟踪操作人员是否在生产线上的工作站上，也可以实现自动化并验证时间表监控他们是否积极遵守标准流程，确保质量的控制和生产线的平衡基于人工智能的智能AOI利用人工检查产品的质量，其耗时有长有短，最终会导致产线的瓶颈。

传统的AOI机器视觉，凭借其卓越的准确性和高效率，能够比专业的质量控制人员更快地检测到易于发现的产品缺陷但是，当缺陷难以检测时，例如隐形眼镜上的缺陷，这些机器视觉系统在准确度和一致性方面则难以满足实际需求。

虽然大多数制造商采用随机抽样的方法来测试产品是否存在缺陷，但是这种方法在隐形眼镜的生产线上是不适用的，因为每个镜片都需要检查质量控制人员每班最多只能检查4000个镜片，因此会造成生产瓶颈此外，误检和漏检也是不可避免的。

由于隐形眼镜是透明的，因此，采用机器数据的检测方式历来是这个行业面临的重大挑战传统的AOI依赖固定的几何算法来发现缺陷，但从透明物体中获取高质量的图像具有较大的难度，从而导致检测的性能无法被客户接受使用基于人工智能的智能相机搜集数据用以训练人工智能算法，并持续迭代检测的性能，以此提供更好的解决方案。

基于人工智能的智能系统可以识别常见的缺陷，例如毛刺、气泡、边缘粗糙、颗粒、划痕等等（见下图），同时会保留检查日志以供客户参考

基于人工智能的智能AOI甚至可以检测透明隐形眼镜中的微小缺陷，与之前使用人工的质量控制流程相比，检测效率得以显著提升相比人工视觉检测，每个基于人工智能的智能相机可以检测50 多倍数量的隐形眼镜，而且检测精度从 30% 提高到 95%。

利用源自人工智能机器视觉技术所产生的强大且实时的数据，制造商可以获得更多的正常运行时间、获得预测性维护的能力、提高生产力和确保工人安全等等诸多受益本文重点提及的人工智能机器视觉应用，需要人工智能算法进行深度学习。

开发人工智能算法的软件专家需要一个智能的、可靠的平台来执行人工智能模型推理预装Edge Vision Analytics（EVA）软件的人工智能相机解决了传统人工智能视觉系统常见的许多问题，提高了兼容性、加快了安装速度，并最大限度地减少了维护工作。

想要成功部署人工智能视觉项目，工程师可能需要长达12周的时间来进行概念验证（PoC）选择经过优化的相机和人工智能推理引擎、重新训练人工智能模型、优化视频流等都需要较长的学习时间然而，EVA软件凭借其流水线的结构优势，简化了所有的步骤，并将PoC的时间缩短到2周以内，这也成为启动人工智能视觉项目的最佳起点。

（中国机器视觉网 姜楠）

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。