康耐视课堂-易于使用的“真”人工智能

如今，我们对机器学习、深度学习、人工智能这些词早已耳熟能详，但仍有许多人不知道如何将其应用在实际生产上。使用精巧的机器视觉技术可以替代人工检验员加快检验速度并提高准确性，同时管控产品和材料的变动。但快速、准确的传统机器视觉技术需要大量编程工作，并要求工程师具备操作图像工具完成某项工作的能力（比如将一种工具的输出作为其他工具的输入，以获取所需的最终结果，这被称为级联过程），这对于新人来说十分不友好，反而容易弄巧成拙。

采用边缘学习技术的康耐视In-Sight 2800视觉系统，就能省去这些繁琐过程，它将强大的人工智能和精巧的机器视觉带入了工厂车间，完全不需要具备人工智能或机器视觉工具的相关知识就能上手操作。

功能强大而不复杂的人工智能技术

边缘学习是人工智能的一个子集，使用一组经过预训练的算法直接在设备或“边缘”上进行处理。边缘学习可用于目前采用传统视觉摄像机，或仍依赖于人工检验的多种行业应用。部署该技术的In-Sight 2800能够识别和分类细微且重要的缺陷，即便是精巧的传统机器学习工具也做不到这一点。

该分类方式对工艺改进具有额外、长期的好处。下面介绍几个其在热门行业中的应用案例：

01汽车应用

注塑电子接插件在现代汽车中无处不在，它们给大量元器件输送电力和信号。接插件必须完全、准确扣合在一起，才能确保电气连接的长期性。而在零件或车辆进入生产的下一步之前，还必须对电气连接加以确认。且接插件含有黑色或深色塑料，使得其细节难以发现，通常需要用检测摄像机在不同角度下才能看到。

In-Sight 2800视觉系统采用边缘学习技术，可以用几组含有好坏连接的带标签图片进行训练，从而能快速将接插件分为“OK”或“NG”类别。若推出了新的接插件设计，还可通过生产线上的现有新示例，重新训练边缘学习工具。

02电子器件应用

许多印刷电路板(PCB)含有指示状态的LED指示灯。在某个应用示例中，可能需要识别哪些指示灯显示电源(PWR)状态、传输(TX)状态或关闭状态。考虑到LED光线昏暗、布置距离近以及易混淆的显示背景，传统的机器视觉有时候难以区分指示灯的状态。传统机器视觉通常利用像素计数工具进行决策。这需要设置具体位置在各种条件下的亮度阈值，该过程需要具备高级机器视觉编程经验。

康耐视In-Sight 2800内嵌工具等边缘学习工具可以用几组带标签的OFF、PWR和TX状态图片进行训练，或根据需要直接通过摄像机进行训练。在经过简短训练之后，这些工具就可以按照这三种状态，对PCB进行可靠地分类和排序。

03医疗/制药应用

某些医疗和制药应用中需要玻璃瓶自动按预定高度灌装药物。在加盖之前必须确认灌装高度在合理容差范围内。但玻璃瓶的透明和反射性质，再加上其内容物，导致传统机器视觉难以一致地检出灌装高度。

边缘学习可识别图片中指示灌装高度的关键部位，忽略由图片反射、折射或其他干扰性变化产生的混淆。灌装太高或太低都会遭到拒收，只有在容差范围内才会通过。

04包装应用

在生产线中，瓶装软饮料和果汁灌装后用螺口盖或闭塞物密封。如果旋转盖螺纹错位或在拧盖过程中损坏，就会产生间隙并可能造成污染或漏液。正确密封的瓶盖很容易确认，但导致瓶盖未充分拧紧的细微之处有很多。不管是速度，还是瓶盖几乎密封而又未完全封死的各种方式，都给传统的机器视觉带来了一大挑战。

In-Sight 2800边缘学习工具能够通过识别一组标为合格的图片，以及一组显示瓶盖有微小裂缝但人眼几乎无法察觉的图片。然后这种工具就可以按生产线速度将完全密封的瓶盖归类为“OK”，将其他所有瓶盖归类为“NG”。这种技术大大减小了通过的缺陷率，同时造价不贵且易于使用。

采用边缘学习技术的In-Sight 2800视觉系统，在设计之初就考虑了解决棘手的工厂自动化问题。这一系统功能强大，易于使用，目前已迅速成为任何生产线的必备工具。