自亨利·福特首次引入装配线系统以来，质量控制一直是制造中的一个关键因素。其理念是，质量可以通过大规模生产流水线来实现，只要每个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。