AI 质检学习报告——学习篇——AI质检产生背景和发展过程
一、傳統質檢
1.什么是質檢?
百度百科對質檢的定義:質檢顧名思義就是質量檢驗。可以詳細劃分為內部質檢與外部質檢。
AI質檢主要研究的是內部質檢。
內部質量檢查是指企業內部質檢部門為了確保滿足交付的工作質量要求,對工作結果抽取樣本,進行連續且達置信區間的檢查或驗證,并對結果進行分析運用。
質檢中一些沒有技術含量的方面,像微波爐角落里的型號編碼、空調背面不顯眼的小螺釘、冰箱側身的標簽,它們的質量檢測是生產線中最費人工的地方,也是制約智能制造的老大難。
2.質量檢驗的步驟
1.根據產品技術標準明確檢驗項目和各個項目質量要求;
2.規定適當的方法和手段,借助一般量具或使用機械、電子儀器設備等測定產品;
3.把測試得到的數據同標準和規定的質量要求相比較;
4.根據比較的結果,判斷單個產品或批量產品是否合格;
5.記錄所得到的數據,并把判定結果反饋給有關部門,以便促使其改進質量。
3.當前質檢模式
當前制造業產品外表檢查主要有人工質檢和機器視覺質檢兩種方式,其中人工占90%,機器只占10%,而兩者都面臨許多挑戰。
人工質檢成本高、誤操作多、生產數據無法有效留存,機器視覺質檢雖然不存在這些問題,但受傳統特征工程技術限制,模型升級及本地化服務難度較大。
工業檢測是現代制造業不可或缺的流程。
過去工廠主要是通過人眼識別的方式對產品進行檢測,來發現缺陷。這一方式不僅效率低,準確率也不高。
機器視覺的引入,可以讓產品檢測準確率和效率獲得成百上千倍的提升,然而構建這樣一套行之有效的自動化機器視覺系統,需要耗費大量成本和時間去進行定制化開發和驗證;
同時,如果系統的通用性不佳,就會讓它難以在不同產線上普及使用。
因此,許多傳統制造企業都對機器視覺系統的應用持觀望態度。
二、AI質檢
人工和AI,兩種方式達成的效果相似的前提下,比較兩者的成本,卻相距甚遠。
在引入AI質檢員之后,無論是時間還是人力成本都有著巨大的下降。
AI質檢適用于眾多業務場景,包括但不限于LED芯片檢測,液晶屏幕檢測,光伏EL檢測,汽車零件檢測等。
AI質檢的發展過程
具體案例1——為智能制造增添“眼”和“腦”的能力,英特爾提供端到端人工智能解決方案,助力美的構建工業視覺檢測云平臺
英特爾提供端到端人工智能解決方案,助力美的構建工業視覺檢測云平臺
2018年11月6日:
“美的與英特爾的人工智能專家用一套工業視覺檢測云平臺為智能制造“點睛”——未來,美的生產線上各類產品的檢測都將無需人工,視覺AI可以讓所有瑕疵無可遁逃!”
品質檢測是制造工廠沉重瑣碎的工序,也是阻滯其智能化的痛點。
美的庫卡機器人視覺團隊摸索一年多,發現痛點的根源在機器檢測視覺應用環境的非標性——生產線環境復雜、產品多種多樣,光亮條件、產品表面性狀都不同,幾乎每一個項目都需要定制相機、光源、算法。
AI 與大數據技術的結合,可以有效地應對這一問題。
美的工業視覺檢測云平臺采用了這樣的架構:前端圖像收集-云端大數據分析-深度學習模式識別,解決視覺檢測環境的非標難題。
前端設備收集的圖像數據通過4G 或Wi-Fi 傳輸到云端,通過深度學習框架,經由訓練獲得非標準化視覺檢測特征,最終打造出通用化、智能化的瑕疵檢測能力。
而這一過程實現的關鍵,是英特爾Analytics Zoo 大數據分析+AI 平臺。
英特爾AnalyticsZoo是一個統一的大數據+人工智能平臺,支持基于Spark的分布式TensorFlow、Keras和BigDL,目的是方便用戶開發基于大數據、端到端的深度學習應用。
美的視覺研究所胡正所長說:
“機器人幫助我們解決‘手’和‘腳’ 的問題,而機器視覺則解決‘眼’ 和‘腦’的問題。
優秀的算法和強勁的計算力,是我們工業視覺檢測云平臺得以發揮價值的重要前提。
英特爾? Analytics Zoo 大數據分析和 AI 平臺的引入,為云平臺提供了端到端的算法訓練和云計算部署能力,而英特爾? 至強? 可擴展處理器則幫助它算得更快、更好。
英特爾軟、硬件產品與技術的結合,幫助我們在智能制造之路上邁出了堅實的一步。”
案例分析1——為智能制造增添“眼”和“腦”的能力,英特爾提供端到端人工智能解決方案,助力美的構建工業視覺檢測云平臺
利用機器視覺進行工業檢測是智能制造的重要方向之一,但傳統機器視覺方案面臨著諸多問題:
一方面,復雜的生產環境帶來大量非標準化特征識別需求,導致定制化方案開發周期長、成本高;
另一方面,檢測內容多樣化也造成參數標定繁瑣,工人使用困難;
而且,傳統方案往往需要機械部件配合定位,因此占用產線空間大,對工藝流程有影響。
美的庫卡機器視覺團隊與英特爾一起構建的、全新的、基于 AI 技術的工業視覺檢測云平臺,如下圖所示,它將所有視覺檢測終端設備通過網絡連接到云端,在云端實現圖像大數據的收集,并將這些數據在深度學習框架中予以訓練,從而獲得通用化特征參數與模型,實現敏捷、高性能的通用化缺陷檢測能力。
基于 AI 技術的美的工業視覺檢測云平臺,主要由前后端兩部分組成,其中工業機器人,工業相機以及工控機等設備構成了圖像采集前端,部署在工廠產線上;云化部署的英特爾? 架構服務器集群則撐起了該云平臺的后端系統。
在前端,如圖二所示,執行圖像采集的機器人裝有兩個工業相機, 一個進行遠距離拍攝,用于檢測有無和定位;另一個進行近距離拍攝,用于 OCR 識別。
以微波爐檢測為例,當系統開始工作時,通過機器人與旋轉臺的聯動,先使用遠距離相機拍攝微波爐待檢測面的全局圖像,并檢測計算出需要進行 OCR 識別的位置,再驅動近距離相機進行局部拍攝。
相機采集到的不同圖像,會首先交由基于英特爾? 酷睿? 處理器的工控機進行預處理,根據檢測需求確定是否需要傳輸到云端,如果需要,則通過網絡傳送到后端云服務器上。
在后端云服務器,系統首先會利用英特爾? Analytics Zoo 提供的 SSD(Single Shot Multibox Detector)模型對預處理過的圖像進行識別,提取出需要進行檢測的標的物,例如螺釘、銘牌標貼或型號等等。
在數據采集及預處理優化階段,Analytics Zoo 幫助云平臺執行高效的分布式數據預處理和代碼優化,使之能夠在 50 毫秒內就完成對圖片的讀取和處理;
在海量數據管理階段,其幫助云平臺高效地執行數據存儲、分類以及更新;
在分布式模型訓練階段,Analytics Zoo 一方面協助云平臺構建檢測模型,另一方面,其自帶的TF優化器能夠迅速啟動分布式訓練過程;
而在模型重定義階段,Analytics Zoo 不僅可以執行參數調整,并可加速模型推理速度,相關測試數據表明,基于英特爾? 架構平臺,云平臺的模型推理時間已從 2 秒縮短到 124 毫秒4;
Awwnalytics Zoo 還對命令行模式與 Web Service 模式提供了良好支持,這使得云平臺可與美的其他應用系統實現平滑的對接。
而后,英特爾? Analytics Zoo 提供的 AI 能力,將幫助云平臺進行海量數據管理、分布式模型訓練、模型重定義、模型推理等一系列 AI 處理流程。
通過英特爾? Analytics Zoo 中集成的 TensoFlow*、BigDL* 等深度學習開發框架,系統可以通過不斷地迭代分布式訓練,提升對檢測物的識別率。
將深度學習的方法引入工業檢測,不僅可以讓工業視覺檢測云平臺快速、敏捷、自動地識別出待測產品的諸多缺陷,例如螺釘漏裝、銘牌漏貼、LOGO 絲印缺陷等問題。
更重要的是,該云平臺能夠對非標準變化因素有良好的適應性,即便檢測內容和環境發生變化,云平臺也能很快地予以適應,省去了冗長的新特征識別、驗證時間。同時,這一方案也能有效地提高檢測的魯棒性,令識別率高達 99.8%1,克服了傳統視覺檢測過于依賴圖像質量的問題。
來自美的微波爐視覺檢測項目的數據統計表明:新的、基于 AI 的工業視覺檢測云平臺方案部署后,使得項目部署周期縮短了 57%,物料成本減少 30%,人工成本減少 70%2,這對傳統制造業而言,無疑是一項意義深遠的生產工藝革新。
具體案例2——AI助力智能質檢,客戶服務體驗全面升級
客服是企業內外溝通的橋梁,對外,向客戶傳達企業的產品、服務、信譽;對內,向企業反饋客戶需求、產品質量、滿意度等問題,客服在企業的運營發展中起著至關重要的作用。
客服質檢通過對坐席員的錄音進行分析、跟蹤,可以發現問題,并制定相應的改善計劃,以提升服務水平。
傳統語音質檢的弊端
當企業快速發展,呼叫中心業務量連連攀升,傳統質檢耗時長、效率低、成本高、精準度差、評判主觀性強,難以適應企業迅速成長的腳步。
抽樣比覆蓋不足:
質檢員隨機抽取,無法覆蓋全部錄音,漏檢率高,也不能精準定位存在問題的錄音。
企業的語音及文本數據質檢,目前仍更多采用人工抽檢的方式,且平均覆蓋率僅為0.5%~2%之間,完全無法達到統計學要求的抽檢樣本量要求。
質檢標準存在差異:
質檢人員的認知水平、判斷力及主觀意識的不同,導致了質檢標準難以達到公平公正。
質檢結果難以歸類:
現有的質檢結果信息較單一,無法做分類匯總或者做類別交叉分析,也無法進行最根本原因分析。
而未能被抽檢到的錄音中卻包含著更為巨大的商業機會或者風險,主要由于沒有合適的工具來進行非結構化數據分析,最終導致巨大投入所取得的回報甚微。
智能質檢解決方案
智能質檢解決方案是榮之聯為企業客戶提供的一套針對于語音全量質量保證的解決方案。
通過自動語言識別(ASR)、自然語言處理(NLP)等技術,加之自由化質檢模型創建,實現對于語音錄音的監測、評價及控制。
該解決方案不僅可以廣泛應用于呼叫中心的質量檢測,還可以應用到日常辦公電話、銀行柜臺服務、探監通話等專有領域。
通過數據采集(轉化+整合)及分析,最終實現對語音的智能質檢,包括自動評分、自動標簽分類、關鍵詞/敏感信息告警、趨勢統計分析、質檢任務管理等。
榮之聯智能質檢解決方案運用智能技術實現全量質量監控,將質檢結果進行自動分類管理,提高檢索效率;自定義評分表,可以創建不同的質檢標準;完善的報表功能可對總體情況進行概括總結。
鏈接
為智能制造增添“眼”和“腦”的能力
https://www.intel.cn/content/www/cn/zh/analytics/artificial-intelligence/midea-case-study.html?wapkw=movidius
AI助力智能質檢,客戶服務體驗全面升級
https://baijiahao.baidu.com/s?id=1616981879446446631&wfr=spider&for=pc
有了人工智能加持,客戶服務質檢將是什么樣?
https://www.csdn.net/article/a/2017-08-21/15931079
總結
以上是生活随笔為你收集整理的AI 质检学习报告——学习篇——AI质检产生背景和发展过程的全部內容,希望文章能夠幫你解決所遇到的問題。
- 上一篇: python人工智能——机器学习——分类
- 下一篇: AI 质检学习报告——实践篇——第一步: