什么是质检背景下的人工智能？与人工检测和现有的自动检测方法相比，它有哪些优势？生产商何时以及为何要在生产线上实施人工智能？人工智能真的可以用更可靠的质量控制流程取代人工检测吗？

我们做了一个系列博客，系统回答您对于工业AI的一些核心问题，并为您展示AI视觉检测应用于工业的魔力。

当传统检测方法无法满足要求

人工检测依赖于人类视觉检测员的主观技能，而传统的计算机视觉则依赖于集成图像处理过滤器，用于分离开目标特征并应用掩膜或几何形状来执行质量检测，这些方法适用于非常一致的制造或机加工零件。然而当被检测目标是牛肉、猪肉或木材等有机物品时，情况就变得非常复杂。

此类产品在准确评估哪类是“好”的样品时有许多不确定性，而对它们进行有效分级对制造商提高盈利性至关重要。

深度学习用于工业应用

近年来，由于工业和学术界推动对GPU处理能力和新人工智能网络模型的投资，深度学习已愈发流行。尽管 AI 和机器学习已投入使用一段时间，大型图像数据集（例如ImageNet）的公用性、价格合适的GPU硬件以及开源活动创建了一个其他开发者也可以使用的预训练网络模型库，使开发价格合理的基于人工智能的解决方案用于包括工业检测在内的广泛应用成为可能。

人工智能在质量检测方面的独特优势

工业质量检测因其重复性和高度可预测性，特别适合使用人工智能，使收集图像数据集用于训练自定义神经网络实现分类、目标或异常检测成为可能。

当产品几近相同且需要测量公差和一致性时，使用一系列传统算法更易处理，但当产品需要主观评估（有时需要一位经验丰富的检测员来进行肉眼判断）时，则更适合使用基于深度学习的检测系统。  

例如，AI检测非常适用于检测医疗器械的各种缺陷，包括缝线、污垢和各类医用气球凝胶。使用传统基于规则的系统检测例如包含多个缺陷类别和检测目标的边缘（或边角）等需求时，使解决方案的实施变得异常复杂和耗时。 

另一方面，人工智能可以帮助确定解决方案在几天内是否可行，是否能够在几周内提供可重复的路径用于生产系统。

AI可识别多达 50 种不同类型医用气球中的 18 种不同缺陷，包括缝线、污垢和凝胶。

请持续关注我们接下来的文章，我们将为您指路如何开发和部署一套定制 FactorySmart® AI检测系统。