AI帮助制造商改善生产线上的产品质量检查

制造商的长期解决方案当然是稳定的需求。同时，正在出现新的工具，以帮助生产商应对需求波动，同时投入一毛钱引进新产品，这些新产品将使生产线保持嗡嗡作响。

人工智能供应商押注自动化技术可以发挥作用，因为大流行暴露的供应链脆弱性使更多的制造和装配业务重新投入生产。例如，深度学习专家Neurala本周发布了自动化软件，旨在帮助制造商改善生产线上的产品质量检查。

这家总部位于波士顿的公司坚称其方法还将帮助制造商扩大规模以应对不断变化的消费者需求。

到目前为止，事实证明，AI工具太昂贵且太复杂，无法在工厂现场扩展。Neurala和其他供应商都押注这种流行病不仅会促进地区制造中心的发展，而且还会提高工厂车间自动化的要求。通过计算机视觉自动进行质量检查被视为一种早期的AI应用程序，可以随着需求的变化而扩展。

制造商面临着消费者需求的不规则模式，并且对机器利用率，生产效率和质量控制的压力越来越大，他们需要在工厂车间减少人员，以解决所有这些问题，” Neurala的联合创始人兼首席执行官Max Versace说。 。

该公司的视觉检查自动化软件针对的是以前很少有生产线自动化经验的制造商。因此，Neurala强调易用性和基于其终身”深度神经网络技术快速训练其视觉平台的能力。

这种方法在NASA的好奇号”火星探测器上经过了实战测试，据称是允许神经网络成为诸如检查相机之类的设备的大脑，而不是通过设备上的推理来学习。该框架被吹捧为减少了训练数据量和训练系统所需的时间。

对于工业应用，Neurala表示，其视觉检测软件可以训练和运行多种AI模型，同时可以在工厂车间使用现有硬件进行操作，包括广泛使用的GigE工业检测相机和工厂触摸屏。

除了提高产品检验率和减少人为干预外，视觉软件也得到了推广，可帮助制造商根据需求的变化检验较小的批次。

早期的工业自动化部署依靠Internet访问或云部署来连接检查摄像头等设备。随着敏捷的生产和装配线返回北美，随着国内竞争的加剧，Neurala也在推广保留内部生产和质量数据的选择。

鉴于工厂AI的采用速度很慢，像Neurala这样的供应商还必须说服制造商，他们将获得快速的自动化投资回报。Neurala的宣传包括异常识别”功能，可解决缺陷产品图像的匮乏问题。该公司认为，高产量”制造商之间相对缺乏产品缺陷数据，这为工厂底层AI创造了一个用例。

异常检测框架会发现任何偏离用于训练检查系统的可接受”图像的产品。因此，争论的焦点是，生产者可以推出基于AI的视觉系统，而不必指定用于通过传统机器视觉系统检测缺陷的多个功能。