マシンビジョンにおける AI の機会を特定するにはどうすればよいでしょうか?

人工知能 (AI) は、データの力を活用し、より賢明な意思決定を行うために業界で導入されています。

この記事では、マシン ビジョン アプリケーションにおける AI の機会を特定する方法について説明します。

人工知能システムのビジネス要件

期待の管理

AI アプローチには特定の使用例があります。結局のところ、それは普遍的な解決策ではなく、すべての問題を解決することはできません。一部のアプリケーションは従来のコンピューター ビジョンに適しており、一部のアプリケーションには両方が必要な場合もあり、また一部のアプリケーションには人工知能のみが必要な場合もあります。 AI システムは、コストと必要な事前リソースの両方の点で高価です。オープンソース ツールは開発にかなりの時間がかかり、外部ツールは高価であることがよくあります。さらに、システムで適切なパフォーマンスを達成するには、GPU が必要になることがよくあります。多くのメーカーは GPU または同等の処理能力を備えていないことがよくあります。したがって、ビジネス ニーズの高い AI にどのアプリケーションが適しているかを判断することが重要です。

ビジュアル システム設定の重要性

AI を始める前に、ビジュアル システム設定の基礎をしっかりと固めておくことをお勧めします。ただし、AI は従来のシステムよりも悪い条件に対処できることが多いため、これはそれほど重要ではありません。ここでは、適切な照明、カメラの解像度、焦点距離など、通常のマシン ビジョン システムのルールがすべて適用されます。これらの要素のいずれかが適切でない場合は、AI をさらに掘り下げる前に、戻ってそれらに対処する価値があります。最良の結果を得るために、堅牢なビジョン システムのセットアップを確保します。

参照人間のパフォーマンス

AI システムは、人間のパフォーマンスが優れている場合に最も成功します。システムがセットアップされると、オペレーターは画像を目で簡単に識別/分類し、AI に適しているかどうかを判断できます。ただし、人間のパフォーマンスが不十分な場合、AI モデルのパフォーマンスが低下する可能性があります。 AI モデルが達成できる基準点として人間のパフォーマンスを使用すると、オペレーターが 70% の確率でしか画像を正しく識別できない場合、AI がそれより優れたパフォーマンスを発揮する可能性は低くなります。したがって、人間のパフォーマンスがアプリケーションにとって十分でない場合は、まずそのパフォーマンスの問題に対処し、許容可能なレベルまで改善する必要があります。オペレーターが期待されるパフォーマンスを達成したら、AI の導入を検討できます。

時間とリソース

画像の収集とモデルのトレーニングには多大な労力が必要です。多くのメーカーは欠陥レベルが非常に低いため、高品質の画像を収集することが最も難しい部分になります。データがないと、欠陥部品のモデルをトレーニングすることが困難になる可能性があります。トレーニング ツールは、トレーニングに必要なサンプルが少ない事前トレーニング済みモデルを提供するのに役立ちます。トレーニングは、モデルを実行するための理想的なパラメーターを見つけるための複数のステップにわたる反復的なプロセスです。モデルの最適化には多くの場合、時間と実験が必要です。さらに、新しいデータがフィールドに表示された場合は、モデルを再度トレーニングしてデプロイする必要があります。

人工知能の応用例:

マシンビジョンにおける人工知能の応用例の 1 つは最終アセンブリ検査であり、もう 1 つはプリント基板または PCB の検出です。 。

❶ 最終組立検査:

バックグラウンド

部品/製品またはコンポーネントの最終検査は通常、オペレーターによって実行されます。または従来のマシン ビジョン システム、またはその両方。ここでは、製品例として Teledyne カメラを取り上げます。最終検査では、曲がったピン、表面の傷、コネクタの適切な配置、ステッカーの位置合わせ、テキストの適切な印刷、機構間の距離などがチェックされます。基本的に、ビルド プロセス中に発生する例外はすべて検出する必要があります。しかし、すぐに検索する必要がある基準のリストは非常に長くなります。従来のルールベースのシステムは、あらゆる特殊なケースに対処するのに苦労しており、新しいオペレーターのトレーニングは困難です。

なぜ AI なのか?

「パス」とは何かを決定するにはルールが多すぎることがよくあります。このため、従来のマシン ビジョン システムが良好なパフォーマンスを達成することが困難になります。あるいは、多くの企業にとって手作業による検査は時間がかかり、新人オペレーターにとっては曖昧な判断が難しいということもあります。従来のルールベースのシステムでは十分なパフォーマンスが得られないことが多く、メーカーはオペレーターの判断に頼っています。照明条件が異なるだけでなく、欠陥の位置、形状、質感も大きく異なる場合があります。多くの場合、必要なのは単純な「良い/悪い」という定性的な出力だけです。ただし、必要に応じて、これを従来のルールベースのアルゴリズムと組み合わせることもできます。 ＃＃＃＃＃＃＃＃＃利点＃＃＃＃＃＃

AI を使用すると、セットアップがはるかに簡単になります。モデルをトレーニングするために大量の画像を収集した後、システムを実行するには、通常、特に AI ツールを使用する場合、ルールベースのシステムよりもはるかに少ない開発作業が必要です。適切なシステム (通常は GPU を使用) を使用すると、チェックはミリ秒単位ではるかに高速になります。適切なデータが提供されれば、AI システムは人間よりも信頼性の高いパフォーマンスを発揮するはずであり、検査手順を標準化する良い方法となります。通常、アルゴリズムは複数のオペレーターから提供されたデータに基づいてトレーニングされるため、人的エラーが軽減されます。これにより、1 人のオペレーターによって生じる可能性のある人間の偏見や疲労を軽減できます。この例では、AI はメーカーが初期不良を減らし、検査の品質とスループットを向上させるのに役立ちます。

❷ PCB 検査:

背景

PCB メーカーは、回路基板に欠陥がないか検査する必要があります。はんだ付け不良、ショート等の異常が考えられます。通常はAOI（自動光学検査）装置が使用されます。ただし、欠陥は非常に多様であるため、すべてのエッジケースに対処することは困難です。また、ルールベースのシステムのパフォーマンスは十分に正確ではないため、メーカーはオペレーターに手動検査を依頼することになりますが、これには時間と費用がかかります。

なぜ AI なのか?

従来の AOI システムでは欠陥を特定するのは困難です。オーバーシュートまたはパフォーマンスが低下し、欠陥のある PCB が合格するか、正常な PCB が不合格になります。他の状況と同様に、「良いボード」を決定するにはルールが多すぎます。用途に応じて、ここで AI を使用して、短絡、断線、部品の欠陥、溶接欠陥など、サイズや形状が大きく異なる欠陥を分類できます。

メリット

人工知能を利用することで、製造業者は検査の精度と品質を向上させることができます。これは、検査に合格する欠陥のある PCB の数を減らすのに役立ちます。また、オペレーターが完了するまでに時間がかかるタスクを自動化することで、手作業による検査にかかる時間と人件費を節約し、スループットを向上させます。

以上がマシンビジョンにおける AI の機会を特定するにはどうすればよいでしょうか?の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。