a&s专业的自动化&安全生态服务平台
公众号
安全自动化

安全自动化

安防知识网

安防知识网

手机站
手机站

手机站

大安防供需平台
大安防供需平台

大安防供需平台

资讯频道横幅A1
首页 > 资讯 > 正文

「AI 质检员」在富士通工厂上岗,检测效率比人工提升 25%

富士通决定用机器视觉代替人类肉眼,来检测成品的外部异常。「AI 质检员」可根据产品的近似形状、详细结构和质地等特征,确定产品是否有缺陷。
资讯频道文章B

       近日,富士通实验室宣布,公司已经成功开发了一种用于图像检查的 AI 技术,该技术可以高度精确地检测制成品上的各种外部异常,包括划痕和生产错误的等。同时,该技术也大大减少了产品的质检人力与时间成本。

  机器视觉给产品「挑刺」,又快又准

  长期以来,产品质量检测都是依赖人工肉眼检测,这样的方式,不仅效率低,而且很容易因人为因素,造成漏检、错检、标准不统一等问题。

  为此,富士通决定用机器视觉代替人类肉眼,来检测成品的外部异常。「AI 质检员」可根据产品的近似形状、详细结构和质地等特征,确定产品是否有缺陷。

  前者检测图像更清晰,检测结果也更准确富士通提出的方法(上)与此前常规方法对比

  在不同类型的测试中,「AI 质检员」也能够把握检测重点,精准分析产品异常。比如,在形状变形测试中,它会理解,近似形状的判断是最重要的;而在条件或图案测试中,「AI 质检员」就会认为,纹理的检测是最重要的。

  此外,即使产品看起来正常,但如果涂层、颜色和接线形状等元素存在个体差异,AI 也会针对每个项目检查这些特性,并在检查的同时,判断出个体差异或异常是否在可接受的范围内。

  据介绍,训练 AI 来执行质量控制任务的挑战在于,此前通常使用个体特征的加权和累加指数来训练模型,如此一来,要创建一个能够掌握所有检查特征的模型,可能会比较困难。

  对此,富士通已经开发出一种新的 AI 模型训练方法,让 AI 能够基于 5000 多种人工物体的图像库,生成各种形状、大小和颜色的材料,并在其中随机添加异常,然后用这些带有异常的图片训练模型。

  AI 给正常图片添加异常,并对模型进行训练的过程示意图

  在训练过程中,富士通研究人员将正常图像与 AI 还原后的图像进行比较,评估每种功能的训练程度,例如近似形状、详细结构和纹理,并控制要添加的异常的大小、颜色和数量,以便 AI 优先学习未捕获的特征。之后,通过对 AI 还原的图像进行评估,对其薄弱方面进行加强训练。

  简而言之,这一过程相当于,AI 自己创造异常,再交给自己进行检测,并将图像恢复至正常状态,从而在不断的自我博弈中,精进技艺。

  富士通在其日本长野工厂的检验过程中,验证了该技术的有效性。当其 AI 应用于外观正常的产品时,AUC 得分超过 98%,而且,该技术将印刷电路板的检验工时减少了 25%。

  富士通表示,未来公司将进一步开发相关技术,应用于其 COLMINA 数字解决方案,实现企业的数字化转型。

点赞0
参与评论
回复:
0/300
文明上网理性发言,评论区仅供其表达个人看法,并不表明a&s观点。
0
关于我们

a&s是国际知名展览公司——德国法兰克福展览集团旗下专业的自动化&安全生态服务平台,为智慧安防、智慧生活、智能交通、智能建筑、IT通讯&网络等从业者提供市场分析、技术资讯、方案评估、行业预测等,为读者搭建专业的行业交流平台。

© 2020 Messe Frankfurt (Shenzhen) Co., Ltd, All rights reserved.
法兰克福展览(深圳)有限公司版权所有 粤ICP备 12072668号
用户
反馈