如何识别AI在机器视觉中的时机

人工智能(AI)正在被各行业驳回，以应用数据的力气，并经常使用其来做出更理智的决策。

本文将引见如何在机器视觉运行程序中识别AI的时机。

人工智能系统的业务需求

治理希冀

AI方法有特定的用例。毕竟不是万能的处置打算，处置不了一切的疑问。有些运行程序更适宜传统的计算机视觉，有些或许两者都须要，而有些或许只要要人工智能。人工智能系统是低廉的——无论是老本还是前期所需的资源。开源工具须要少量的开发期间，而外部工具往往很低廉。此外，通常须要GPU才干在系统上成功足够的性能。许多制作商往往没有GPU或等同的处置才干。因此，关键的是要确定哪些运行程序十分适宜具备弱小业务需求的人工智能。

视觉系统设置的关键性

在进入AI之前，倡导在视觉系统设置方面要有扎实的基础。不过，这对人工智能来说没有那么关键，由于其通常可以处置比传统系统更蹩脚的条件。一切惯例的机器视觉系统规定都实用于此——良好的照明、相机分辨率、焦距等。假设这些起因中有任何一个没有到达规范，那么在深化钻研AI之前，有必要先回过头来处置这些疑问。确保弱小的视觉系统设置，以取得最佳的结果。

参考人类体现

人工智能系统在人类体现弱小的中央最为成功。一旦系统设置好，操作员可以轻松地用眼睛识别/分类图像，这样就可以确定其能否适宜AI。但是，假设人类的体现无余，那么AI模型很或许体现不佳。将人类的体现作为AI模型能够成功的参考点，假设操作员识别图像的正确率只要70%，那么人工智能的体现不太或许比这更好。因此，假设人类的性能关于运行程序来说不够好，应该首先处置该性能疑问，并将其提高到可接受的水平。一旦操作员到达了预期的性能，便可思考AI。

期间和资源

搜集图像和训练模型须要付出相当大的致力。通常，搜集高质量的图像是最艰巨的局部，由于许多制作商的缺点量十分低。假设短少数据，或许很难训练有缺点部件的模型。训练工具很有协助，其提供了须要较少样本启动训练的预训练模型。训练是一个迭代环节，超越多个步骤，找出现实参数，以使模型运转。提升模型通常须要期间和试验。此外，假设现场出现新数据，模型将须要再次训练和部署。

人工智能运行程序示例:

人工智能在机器视觉中的一个示例运行是用于总装检测，另一个是印刷电路板或PCB检测。

❶总装检测：

背景

整机/产品或组件的最终审核通常由操作人员、或传统的机器视觉系统、或两者兼而成功。这里将重点引见Teledyne相机作为示例产品。最终审核或许会审核笔挺的大头针、外表的划痕、衔接器的正确位置、贴纸的对齐、文本的正确打印以及机械装置之间的距离等等。基本上，须要找到在构建环节中出现的任何意外。但这样，须要极速查找的规范列表会变得很长。传统的基于规定的系统很难处置一切极其状况，且培训新的操作人员也很艰巨。

为什么是AI?

通常有太多的规定来确定什么是“经过”。这使得传统的机器视觉系统难以成功良好的性能。另一种选用是，关于许多公司来说，人工审核十分耗时，且关于新运营商来说，很难做出一些模棱两可的判别。传统的基于规定的系统往往没有足够的性能，制作商依赖运营商的判别来提供协助。或许会有不同的光照条件，以及缺点位置、外形和纹理的高度变动。通常，只要要一个便捷的“好/坏”的定性输入。但是，假设须要，这也可以与传统的基于规定的算法相结合。

好处

有了AI，设置就容易多了。在搜集了少量的图像来训练模型之后，让一个系统运转通常比基于规定的系统，特意是经常使用AI工具，要少得多的开发上班。经常使用适当的系统，通常是经常使用GPU，审核速度要快得多，审核速度大概为毫秒。假设提供良好的数据，人工智能系统的体现也应该比人类更牢靠，并且是规范化审核程序的好方法。该算法通常由多个操作人员提供的数据启动训练，可以缩君子为失误。这有助于减轻单个操作员或许发生的人类成见或疲劳。在这个例子中，AI可以协助制作商缩小开箱即用的缺点，并提高检测质量和吞吐量。

❷PCB检测：

背景

PCB制作商须要审核其电路板能否存在任何缺点。或许是焊点不良、短路或其余的意外状况。通常会经常使用AOI(智能光学审核)机器。但是，由于缺点的变动太多，很难处置一切的边缘状况。且基于规定的系统的性能不够准确，制作商会请操作人员启动人工审核，这既费时又低廉。

为什么是AI?

传统的AOI系统很难识别缺点。其要么过冲或低于性能，造成有缺点的PCB经过或良好的PCB失败。与其余状况相似，有太多的规定来确定一个“好电路板”。依据运行的不同，这里可以经常使用AI对尺寸和外形差异很大的缺点启动分类，像短路、开路、失误元件、焊接缺点等。

好处

借助人工智能，制作商可以提高检测的准确性和质量。这有助于缩小经过审核的有缺点PCB的数量。同时，还可以节俭任何人工辅佐审核的期间和人力老本，并经过智能化，成功操作人员须要更长期间成功的上班来提高吞吐量。