自亨利•福特首人在生产过程中各尽其责。从那时起，我们显然已经走了很长一段路。传统的装配线仍然以许多形式存在，尽管机器已经取代了许多手工过程。
    然而，质量控制仍然是个问题。而且成本高昂:许多公司的质量相关成本高达销售收入的15%-20%。在某些情况下，这些甚至可以达到总操作数的40%。欧盟委员会还估计，在某些行业，50%的生产可以由于缺陷而报废;在复杂的生产线上，不良率可以达到惊人的90%。
    对于制造商来说，最大的问题是，即使是生产过程或材料上的微小差异(肉眼看不见)也会使整个生产过程出现缺陷。当然，这些零件不会到达最终用户由于广泛的后期生产质量检查。然而，依赖当前的(大部分是手工的)缺陷检查实践意味着，在发现缺陷之前，可以花费大量的成本来制造数以千计的产品。
从手动到自动光学检查
    如前所述，手工检查产品、部件和组件可能是一个繁琐而昂贵的过程。首先，她需要对品质管理检查人员进行专业的培训；其次，这种检查可能导致生产/上市时间线出现瓶颈；第三，手工检查不像产品那样规模化——需要进一步培训，以便有足够的人员及时进行检查。
    由机器视觉驱动的自动光学检查(AOI)取代了更麻烦、更容易出错的手工检查。新型AOI系统配备多摄像头，从简单的XGA(扩展图形阵列)单元到高分辨率、数百万像素的视频传感器。根据相机类型的不同，AOI系统既可以提供被检物品的单色图像，也可以提供被检物品的彩色图像，所捕获的图像可以跨越很广的范围，从仅有的数千个数据点到数百万个数据点。

自动光学检查的好处是多方面的:
●这种系统能够在制造过程中早期发现错误，并帮助确保产品在进入下一个制造步骤之前的提高质量。
●AOI帮助收集用于改进生产线的历史和生产统计数据。
●它将有助于减少材料浪费，维修和返工成本，以及增加制造劳动力的时间和费用。
AOI系统可编程使用不同的技术进行质量保证和缺陷检查，例如:
●模板匹配:系统通过编程将获得的项目图像与完美制作的、无缺陷的项目图像进行比较。系统首先了解产品某一部分的所有正确属性，然后根据估计的标准评估产品的质量。
●模式匹配:系统存储好程序集和坏程序集的信息，比较和比较实际产品和可用模式。
●统计模式匹配:在这种情况下，系统存储多个产品和多个类型的缺陷的结果，这样它就能够在不标记错误的情况下为可接受的小偏差开绿灯。
    自动化光学检测系统已经成为质量控制的一个重大突破，在整个生产过程中提供了更准确和快速的检测。然而，它仍然不是自动化缺陷检查的顶峰。
    通过结合人工智能和深度学习，不仅可以对已经生产的产品进行光学检测图像处理，还可以识别缺陷，随着时间的推移，可以了解更多不同类型的缺陷(无需显式编程)。最终，它的目标是进行预测分析，从而达到无错误的生产。
人工智能和深度学习如何能进一步改善视觉检测过程
    尽管自动化光学系统是一种强大的缺陷检测方法，但它们仍然相对较慢、不准确且维护成本昂贵。随着工业4.0的快速转型。在美国，大多数公司都不能再浪费时间和资源在长期设置上。例如，由于AOI很难隔离(例如，光照、曲率变化、颜色等)的许多变量，最终的装配验证程序极其困难。虽然统计模式匹配可以帮助容忍一些变化的项目的外观，复杂的表面纹理和图像质量问题可以提出一些严重的检查挑战。
此外，机器视觉系统通常无法处理以下问题:
    它们无法正确区分视觉相似部分之间的变化和偏差。
    此外，他们还难以正确区分“功能”缺陷（几乎总是导致拒收）和“外观”缺陷（部件整体外观的一些轻微问题，制造商认为这些问题并不重要）。
计算机视觉和基于深度学习的系统已经成为AOI系统的有力替代品，解决了上述缺点。
什么是计算机视觉?
    计算机视觉是人工智能和机器学习的一个子领域，它基于特定的算法和其他方法，使计算机能够理解数字图像的内容。简而言之，计算机视觉软件试图再现人类视觉的能力。
大多数计算机视觉工具的目标是解决两个特定的任务:
    对象分类:模型是在特定对象(例如缺陷图像)的数据集上进行训练的，然后它将新对象分类为属于您的一个或多个训练类别。
    对象识别:对模型进行训练，以识别对象的特定实例。例如，当它确定图像中的两个组件时，可以将其中一个标记为电路板，另一个标记为微控制器。
以下是计算机视觉的工作原理:

    在本例中，解释设备(计算机+软件)是执行大部分工作的元素。模型在机器学习和深度学习技术的帮助下训练，将传入的视觉数据分解为像素，然后根据各种参数对其进行评估，并与数据集中的其他图像进行比较，找到最佳的“匹配”，并对其进行有效的预测。
    在这一点上，回顾一下什么是深度学习是很重要的。
    “深度学习是机器学习的一个分支，强调通过提供一个例子来教计算机像人类一样学习。”
    与机器学习不同的是，深度学习模型不需要不断地用明确的指令编程来分析数据。通常，这些模型只提供了一个包含大量相关信息的数据集和一些初始参数，以便对数据进行操作。他们可以搅乱这些数据，并自学预测哪个输出(例如，分类)准确与否。
    神经网络和深度学习模型可以帮助克服当前AOI系统的局限性。

    基于深度学习的缺陷检查在评估复杂表面和检测诸如划痕或凹痕等外观缺陷时尤其有效。此外，这些系统能够更精确地检查或根据某些项目的定义特征对其进行分类——即使这些特征以微妙但可接受的方式发生变化。
    此外，当分析难以捕获的视觉元素时，它们更具有适应性。Infopulse团队最近与一家德国制造商共同开发的一个项目就是一个很好的例子。他们成功推出了一款物联网设备，能够捕捉和识别老式仪表上的数字，尽管7段LCD显示器存在图像缺陷，如凝视、白点、物体或人的反射等。为此，我们的团队不得不构建一个卷积神经网络(CNN)，能够在不到2秒的时间内捕获并处理图像，为客户节省了大量手工数据采集的操作费用。类似的计算机视觉解决方案也可以用来分析不同类型的视觉缺陷。
    计算机视觉算法和应用可以通过深度学习或机器学习来实现。后者通常更适合于执行与测量、测量和执行精确对准相关的评估。然而，深度学习系统可以极大地补充基于ml的系统，因为它允许将以前需要特定人类专业知识的视觉和声音检查计算机化。这项技术拓宽了计算机和照相机/传感器能够精确检测的范围。

基于深度学习的智能缺陷检测应用
    考虑涉及高价值制造业的行业的重要性——航空航天、汽车、建筑、医疗器械。零部件上的缺陷可以被证明是致命的。
同时，这些行业（就像许多其他行业一样）面临着更快“进入市场”的压力，如果它们要保持竞争力并满足客户/客户的生产期限的话。计算机视觉和深度学习可以证明是应对这些压力的方法，同时还能确保零部件没有缺陷。
以下是一些由不同行业的制造商执行的概念部署和技术证明的例子:

1.航空业
    这不仅是一个满足对飞机所有零部件生产要求和规格的问题，而且是一个在事后发现缺陷时代价高昂的延迟问题。
    据波音公司称，在2.6万亿美元的航空服务市场中，70%的份额用于质量和维护。考虑到仅2016年美国的机械问题就估计耗资超过5亿美元，这应该不足为奇。此外，航班延误(许多乘客滞留)约有三分之一与维修有关。
    视觉检测技术与DL相结合，可以将组件与规格进行比较，发现生产过程中的缺陷。除此之外，制造商还应满足定期维护要求，以确保乘客安全，并遵循政府的指导方针。这些技术可以识别以下缺陷和问题:
●腐蚀-计算机视觉系统可以在更短的时间内对各个部件进行检查，并返回更彻底的检查结果。
●发动机内部部件的磨损-对发动机内部部件进行远程目视检查，以确保有效和安全的运行。
●铝板厚度(通过三维测量)-厚度计可以提供高精度，无损读数对大型和复杂的铝板;并将收集到的数据上传到您的系统进行进一步的分析。
●自动车轮检查-接收有关飞机车轮疲劳裂纹的即时数据。通过使用由计算机视觉驱动的系统，操作人员不必浪费时间在冗长的检查上，可以专注于手头的其他工作。
●叶片在制造或修理后的检查-计算机射线照相和数字射线照相可用于检查叶片的关键缺陷。因此，无需使用数字格式的化学品，就可以快速获得图像。后者可以进一步进行失效分析，并带来精确的三维测量。
2.汽车行业
    安全问题让OEM和一级供应商夜不能寐。这是乘客的风险/死亡问题，也是公司声誉的问题。最近，丰田同意支付13亿美元的和解金，原因是一项缺陷导致汽车加速，即使司机试图减速。美国有6人死于这种缺陷。
    利用视觉检查、人工智能和深度学习的认知能力，原始设备制造商可以更准确地分析和识别质量问题，甚至在问题发生之前就解决它们。随着时间的推移，当他们熟悉更多类型的缺陷时，这些可视化的洞察和分析可以确定缺陷的严重程度。
    一家领先的汽车制造商采用智能光学检测解决方案来检测金属表面的划痕和凹痕缺陷。对于人类检查员来说，在光亮的表面上发现这样的缺陷是极其困难的。传统的机器检查也没有什么帮助，因为系统不能捕获不可预测的凹痕或划痕缺陷。另一个问题是，该系统必须由人类员工进行培训，提供有缺陷部件的图像，教会它分辨哪些部件是可以接受的，哪些部件是不可接受的。然而，公司一开始就有一个相当低的缺陷率，它花费了他们大量的时间和精力来收集一个小的可视化数据集来表示足够的缺陷变化。最终，他们选择了一个更“智能”的系统，并很快意识到采用后的好处如下:
●降低66%的检验成本
●假阳性率降低33%
●假阴性率维持在1%以下
3.计算机设备制造业
    自动光学检测(AOI)曾经是制造业计算机设备的自然选择，特别是由于对小型电路板设计的需求正在增长，而且在某些情况下，缺陷可能被证明是高度有害的。
除此之外，AOI还可以检测到:
区域缺陷
组件偏移
焊料问题
外来材料
高度和体积缺陷
短路
安装错误
    当为AOI检查设置规格和方差裕度时，它们要比人工检查精确得多。然而，AOI系统仍然无法检测到设备的“外观”问题。
这就是为什么富士通实验室一直在率先为电子行业开发支持人工智能的识别系统，并在质量、成本和交付方面报告了大量进展。通过遗传编程，该公司的图像识别系统实际上生成了检测代码，能够产生几乎100%的识别率。将该技术应用于生产现场，开发时间减少80%左右，识别率达到97%。
    然而，不仅仅是高价值的制造可以使用自动化的视觉检查和人工智能。考虑一下这两个来自以消费者为基础的行业的例子。
4.纺织行业
    在某个时刻，我们所有人都买了衣服，发现里面贴着“被(某个数字)检查过”的小标签。这意味着人工检查产品在缝纫、织造等方面的缺陷，并确定其符合公司的质量规格。显然，这是一个代价高昂且容易出错的过程。接受有缺陷产品的客户必须经过退货/换货程序，这是公司不喜欢的。
    自动视觉检查的实现，以及DL功能，现在可以检测纹理、编织、缝合，甚至颜色匹配的问题。当发现缺陷时，不仅可以将纺织品或产品从生产线上移除，而且还可以发现缺陷的根源，并在未来进行修复和预防。
    同时，可以对这些系统进行微调，以接受更大范围的容错能力。例如，Datacolor的人工智能系统可以考虑过去由人工操作人员进行的视觉检查的历史数据，从而创建与视觉检查样本更接近的自定义公差。
    纺织业最新的人工智能用例之一是创建一个检测和测量织物褶皱的系统。目前织物起皱性能的测量大多是手工进行的，比较繁琐。计算机视觉驱动的皱纹测量可以帮助制造商降低成本和时间所需的这一过程。
5.玻璃行业
    这个行业经常面临的问题之一是玻璃在生产过程中的缺陷——切屑、划痕等。通常，当前的检测方法会产生“假阳性”，例如水滴被识别为切屑。
    通过自定义计算机视觉和人工智能模型的实现，可以消除这些类型的错误。在一个案例中，正确的缺陷识别为一家大型玻璃制造商在每条生产线上平均节省了3.6万美元，总计每年节省近100万美元。
结论
    质量控制仍然是一个公司保持制造标准、客户满意度以及最终声誉和利润的主要因素。计算机视觉和深度学习在几乎每个工业部门都具有巨大的质量控制潜力。如此之多，以至于大多数高管计划在未来3年内将认知计算在运营优化方面的应用增加一倍。