近几年来，人工智能在整个工业自动化领域的使用一直在增长。

如今，很少有工业技术领域能够被人工智能（AI）所影响。从控制器到ERP，再到食品安全和机器人领域，人工智能正在改变运行制造和加工设施的技术。

质量控制软件是最有可能从AI中受益的应用程序。智能相机和支持AI的软件正在帮助制造商超越人工检查人员的速度。这些智能相机技术的到来是偶然的。

当然，制造商多年来一直在高质量应用中使用机器视觉。但是，添加支持深度学习的质量控制软件代表了与早期机器视觉技术的不同。

为了帮助理解AI如何改变机器视觉，Neurala（用于工业检查的AI视觉软件的供应商）的联合创始人兼首席技术官Anatoli Gorchet解释了使用机器视觉的传统工业检查流程背后的过程。

第一步专家确定相机捕获的图像中的哪些特征（例如，边缘，曲线，拐角，色块等）与检查相关。然后，专家创建一个基于规则的系统，该系统详细说明包装线中有多少“黄色”和“曲率”将一个对象归类为“成熟香蕉”。

尽管此方法非常有效，但在某些情况下会使机器视觉无效。“例如，货物的好坏之间的差异在微妙或多变的情况下很难被发现，”戈尔切特说。

基于AI的软件可以使机器视觉系统了解哪些方面很重要，并定义高质量产品的功能组合的规则，而不是让机器视觉系统依赖于专家创建的规则。

Gorchet说：“有了神经网络学习算法，用户不再需要为每种生产场景手工制作机器视觉模型。他们只需要收集适当的数据（无论是用于水果，飞机零件还是通风阀），并以此训练模型。”

Gorchet在此引用的AI模型的类型称为“深度学习”。这些深度学习系统（例如深度神经网络（DNN））以有监督的方式进行训练，以识别特定类别的事物。在典型的检查任务中，可以根据通风阀的好坏对DNN进行培训，以便在视觉上识别出通风阀等。

“一旦收集了这些图片，典型的深度学习系统就会采用一种训练方案，当输入大量和多样的数据时，会生成一种模型，提供精确，低错误，的分类方式，”戈切特说。

当然，如果生产线切换到其他零件或产品，则必须再次进行数据收集，培训和部署以开发新模型。

为了简化此过程，研究人员正在探索一种新型的DNN以进行工业质量检查。根据Gorchet的说法，这些DNN将功能训练和规则训练分开，以即时添加新的规则信息。

“像传统的DNN一样，他们需要基于大量平衡的数据集来缓慢学习特征，其中包括相等数量的优质阀门图像以及每种有缺陷的阀门；但是与传统的DNN不同，它们在现阶段不包括规则学习，因此不需要所有已知阀门缺陷的图像，”他说。“该数据集可以是通用的，不必特定于行业。这意味着终身DNN提供商可以一次完成模型创建，而根本不需要关注制造商。”

这意味着制造商只需要一小组好的阀门的图像，系统就可以学习一套好的阀门的规则。Gorchet解释说，L-DNN可以仅使用良好的数据在单个数据集的单个表示中进行学习，然后在遇到非典型产品时向用户提供建议。他说：“ L-DNN的训练方案可以遍历数十幅图像，建立对该对象的原型，并准备在生产发生变化时和部署时进行重新配置。”