智能实践——视觉技术的生产实践

如果生产线上所有的次品样本都能够通过不同角度、不同光线的拍摄输入成影像数据，然后通过中央培训系统的机器学习，成为成熟的影像数据模型，并套装到线边视觉系统，那么，系统就会根据数据模型自动判断是否存在缺陷，当发现缺陷后就能通过与工业设备的集成将有缺陷的次品从产线中分拣出来，以便人工进行复检。这样就可以替代大量的人工检测过程，从而节约人力成本，确保产品质量。

图 IBM认知视觉技术的应用架构

换言之，IBM基于认知技术的视觉检测方案，其提高质检精确率主要有三个手段：

第一是模型的训练，这要求提供尽量多的模型样本，通过标记归类，告诉中央培训系统这些模型样本具体存在什么样的问题、错误或者瑕疵；

第二是模型的自我学习，标记的样本数据通过自我学习成为成熟的模型数据并应用于产品检测后，当有新的次品样本和瑕疵模型出现后，也可通过模型的训练与自我学习，实现不断迭代和自我完善；

第三是与工厂系统的集成，首先通过与工业设备（机械手、工业机器人等）的系统集成能快速地将次品分拣出来，以便人工复检，其次，通过与工厂MES等系统的集成，将记录与统计的次品瑕疵类型、数量、比例等数据用于生产工艺及产品质量分析，也可便于未来生产工艺的改进和整体产品质量的提升。

实践证明，IBM视觉认知技术能够满足工业生产的要求。比如，在IBM为某汽车厂做的喷漆质量检测案例中，虽然上线前经过模型训练，无论是质检准确率还是次品检出率都未达到理想效果，但是上线后经过5天、10天直至30天的机器自我学习和完善，次品（故障)检出率已经高达98%，误检率则为0。同时，通过应用基于IBM的认知视觉技术也能从四个方面为企业带来显著收益：

图 IBM认知视觉技术

能为企业带来的收益

第一，可靠的检测能力。

高检出率、低误报率，保证了产品质量的稳定，同时检测水平与能力可不断提升。

第二，易于扩展。

具备自我学习功能，可以不断加入新模块，快速扩张能力和简单易用性显而易见；模型自动部署升级，没有维护窗口；面临新产品或产品调整，仅需数天时间部署升级，无需人工过多干预；新增产线只需较低额外投资，投资总成本低于传统光学检测手段。

第三，赋能工艺改进。

可使用标准化自动修复缺陷；可实现产品质量与生产工艺参数、环境数据的关联分析，促进生产质量的综合改进。

第四，带来明显的经济效益。

可节省人工成本，及早发现产品缺陷、降低原材料的损失程度，也可避免因产品质量造成的赔偿、召回、品牌价值缩水等损失。

图 IBM认知视觉技术的应用场景

基于IBM认知视觉技术的智慧视觉检测解决方案，拥有非常广泛的应用场景。无论是在电子制造（如PCB板缺陷检测、手机部件缺陷检测等）、汽车制造（如汽车喷漆缺陷检测、轴承缺陷检测等）、交通运输（如机车车底检测、车辆识别等）、能源水利（如电力巡线检测、防汛等）、房地产（如智慧小区、异常行为检测等）以及其它不同行业的不同场景，还是同行业内的不同环节，基于IBM的认知视觉技术都能得以应用，并创造价值。

例如，在IBM为某生产制造厂实施的液晶模组质检案例中，由于该生产制造厂的6大质检环节的质量控制要求都不一样，且之前采用的是AOI设备采集与人工检测相结合的质检方式，需要消耗大量人工，通过在该厂的6大质检环节部署IBM认识视觉检测平台，将AOI设备拍摄的照片数据抽取出来，作为IBM认识视觉检测平台的一部分后，不仅降低了人工的介入与投入，简化了质检流程，提升了质检速度与生产效率，而且通过对质量环节的控制，包括对于瑕疵信息的归类总结与产品缺陷预警，促进了生产良率的改善，从而提高了产品整体的质量水平。