Как ИИ совершает революцию в машинном зрении:идеи лидеров отрасли

Искусственный интеллект трансформирует машинное зрение, позволяя системам быстро и точно интерпретировать сложную визуальную информацию, а также обучаться и улучшать визуальное распознавание. Благодаря мультимодальному искусственному интеллекту, генеративным моделям и агентным системам искусственного интеллекта современное машинное зрение переходит от набора алгоритмов к полноценной экосистеме интеллектуального восприятия.

Отойдя от жесткого, основанного на правилах контроля и перейдя к системам машинного зрения, которые можно обучить с помощью небольшого количества образцов изображений, организации смогут развертывать решения быстрее и с большей гибкостью. Эта эволюция приводит к измеримым достижениям в ключевых отраслях:автопроизводители могут раньше выявлять дефекты сборки, аэрокосмические компании - проверять сложные компоненты с более высокой точностью, фабрики полупроводников - выявлять микроскопические аномалии в режиме реального времени, производители медицинского оборудования - обеспечивать согласованность и соответствие требованиям, а производители бытовой электроники - ускорять контроль качества в больших масштабах.

В этом специальном выпуске мы попросили трех отраслевых экспертов — Эрика Кэри, технического директора Teledyne DALSA, Брайана Бенуа, директора по продуктам передового машинного зрения в Cognex, и Рона Джубиса, президента по продажам в Северной Америке и управляющего директора SICK, Inc. — поделиться своими мыслями о влиянии ИИ на машинное зрение, возникающих проблемах и передовом опыте, а также о надежности визуального контроля с использованием ИИ.

Технические обзоры: Какие трансформационные сдвиги происходят в машинном зрении с помощью ИИ и как эти изменения переопределяют возможности различных отраслей промышленности?

Эрик Кэри: Эволюция промышленного ИИ представляет собой фундаментальный переход от жестких, основанных на правилах систем к автономному агентному интеллекту. Исторически контроль качества основывался на жестко запрограммированных алгоритмах обработки изображений, которые требовали ручного программирования для каждого дефекта — количественный процесс, математически точный, но функционально хрупкий. Переход к глубокому обучению привел к более качественному подходу, позволяющему машинам имитировать тонкие суждения экспертов в данной области. Обучаясь на огромных наборах данных изображений или используя «золотые наборы» для обучения без присмотра, эти системы могут адаптироваться к переменным окружающей среды, таким как изменение освещения. Чтобы преодолеть нехватку реальных аномалий, генеративный ИИ теперь синтезирует симуляции редких дефектов для улучшения обучения моделей. Сейчас мы вступаем в эпоху агентного искусственного интеллекта, когда системы автономно контролируют производственные потоки, чтобы предвидеть и смягчать проблемы до их возникновения. Для развертывания этих возможностей на заводе требуется периферийный искусственный интеллект, обеспечивающий локальную обработку для устранения задержек и поддержания операционной устойчивости в режиме реального времени.

Брайан Бенуа: Искусственный интеллект ускоряет переход от жесткого, основанного на правилах контроля к системам машинного зрения, которые можно обучать на примере небольшого количества образцов изображений и которые адаптируются к изменчивости внешнего вида продукта, освещения и упаковки. Усовершенствованные модели искусственного интеллекта теперь обучаются лишь на небольшом количестве изображений и могут работать на компактных периферийных устройствах, оснащенных NPU или графическими процессорами. В результате развертывание становится быстрее, проще и доступнее. Во всех отраслях преимущества существенны. Автомобильная, аэрокосмическая, полупроводниковая и бытовая электроника полагаются на искусственный интеллект для высокоточного контроля, а логистические операции используют его для обработки огромного разнообразия артикулов и обеспечения автоматического отслеживания. По мере того как фабрики становятся все более подключенными к цифровым технологиям, системы искусственного зрения обучаются с использованием репрезентативных изображений и данных датчиков, обеспечивая более высокий уровень автоматизации, эффективности и качества. Внедрение технологии во всем мире ускоряется, поскольку производители сталкиваются с растущей сложностью, трудовыми ограничениями и меняющимися потребностями в цепочках поставок.

Рон Джубис: ИИ подталкивает машинное зрение от жесткого, основанного на правилах контроля к адаптивным системам, основанным на примерах. Современные периферийные устройства могут обучать и выполнять модели глубокого обучения непосредственно на устройстве, что снижает сложность настройки и обеспечивает быструю реконфигурацию при изменении продуктов или процессов. Эти достижения поддерживают высокоскоростные проверки и позволяют командам с разным уровнем квалификации развертывать сложные приложения машинного зрения. Помимо фиксированного контроля, трехмерное восприятие с помощью искусственного интеллекта улучшает предотвращение столкновений и понимание окружающей среды в мобильных и уличных машинах, иллюстрируя более широкую тенденцию, когда машинное зрение сочетается с безопасностью, автономностью и оптимизацией рабочих процессов во всех секторах.

Технические обзоры: Как достижения в области глубокого обучения и генеративного искусственного интеллекта меняют возможности обнаружения дефектов в системах машинного зрения?

Эрик Кэри: Переход от обработки изображений на основе правил к глубокому обучению знаменует собой критический скачок в гибкости производства. Исторически сложилось так, что обнаружение дефектов требовало от специализированных инженеров ручного программирования жестких алгоритмов — процесс трудоемкий и трудно масштабируемый. Сегодня модели глубокого обучения демократизировали этот рабочий процесс, заменив сложное программирование быстрыми, интуитивно понятными циклами обучения. Этот сдвиг ускоряет развертывание и обеспечивает достаточную гибкость систем, позволяющую адаптироваться к изменяющимся параметрам производства в режиме реального времени. Системы на базе искусственного интеллекта обеспечивают превосходную эксплуатационную надежность. Традиционные системы видения были общеизвестно хрупкими и требовали сверхсогласованной среды, чтобы избежать ложноотрицательных результатов. И наоборот, модели глубокого обучения превосходно справляются с изменчивостью реального мира. Обучаясь на разнообразных наборах данных, эти системы становятся устойчивыми к колебаниям окружающей среды, таким как изменение освещения или незначительные изменения позиционирования или масштабирования. Этот переход от «идеальных до пикселя» требований к адаптируемому интеллекту обеспечивает более высокую точность и меньшие затраты на обслуживание, что позволяет нам сосредоточиться на стратегическом масштабировании, а не на постоянной алгоритмической перекалибровке.

Брайан Бенуа: Машинное зрение больше не зависит от тщательно запрограммированных правил. Современные модели искусственного интеллекта обучаются на конкретных изображениях приложения — снятых на линии, сгенерированных синтетически или и то, и другое — чтобы они могли справляться с реальной производственной изменчивостью и обнаруживать тонкие, трудно определяемые дефекты с гораздо большей последовательностью. Поскольку им часто требуется лишь небольшое количество реальных изображений, а генеративный ИИ может создавать реалистичные варианты, этим системам требуется меньше больших, помеченных наборов данных, и их можно развернуть гораздо быстрее. Глубокое обучение также делает проверку более точной и адаптивной. Это помогает системам отличать критические дефекты от безобидных косметических изменений, надежно работать на высокоскоростных линиях и сохранять точность, несмотря на изменения в освещении, упаковке или материалах. Благодаря раннему выявлению возникающих закономерностей проверки с помощью ИИ становятся более прогнозирующими и упреждающими. По мере развития этих возможностей производители могут ожидать более высокой производительности, меньшего количества ложных браков и большей эффективности за счет более разумного и гибкого контроля качества.

Рон Джубис: Обнаружение дефектов использует глубокое обучение для распознавания тонких, переменных или нерегулярных моделей дефектов, с которыми борются традиционные правила. Отраслевые исследования показывают, что современные нейронные сети повышают точность и надежность при различных размерах и текстурах дефектов. Генеративный ИИ еще больше повышает производительность за счет снижения зависимости от наборов данных с большими метками, позволяя обучаться и создавать синтетические данные для редких типов дефектов. В совокупности эти тенденции сокращают количество ложных срабатываний, улучшают локализацию функций и делают проверку в реальном времени более достижимой на платформах периферийных вычислений.

Технические обзоры: Какие проблемы возникают по мере того, как производители интегрируют 3D, гиперспектральные и периферийные системы машинного зрения на основе искусственного интеллекта, обеспечивая надежность данных, контроль задержек и совместимость систем в устаревших OT/IT-средах?

Эрик Кэри: Интеграция 3D- и гиперспектральной визуализации создает наборы данных большой размерности, которые экспоненциально увеличивают требования к пропускной способности данных. Хотя облачные платформы обеспечивают масштаб для обработки такого объема информации, они не соответствуют требованиям по миллисекундной задержке, необходимым для промышленных операций в реальном времени. Следовательно, периферийные архитектуры должны быть развернуты в непосредственной близости от датчиков, чтобы обеспечить немедленную обработку. Однако этот сдвиг обнажает фундаментальные ограничения в устаревших промышленных системах, которые не были разработаны для высокоскоростных потоков данных. Это несоответствие часто приводит к перегрузке сети и потенциальной перегрузке узлов периферийных вычислений. Кроме того, между устаревшим оборудованием и современными системами машинного зрения сохраняются значительные разрывы в протоколах. Чтобы преодолеть это, требуется сложная адаптация данных — согласование разрозненных форматов, временных меток и командных сигналов с помощью специализированных трансляторов протоколов. Эффективное решение этих проблем совместимости имеет решающее значение для поддержания операционной устойчивости и обеспечения успешного масштабирования передового машинного зрения в устаревших средах.

Брайан Бенуа: Интеграция 3D-, гиперспектральных и периферийных систем машинного зрения на базе искусственного интеллекта создает реальные проблемы, связанные с надежностью данных, задержкой в реальном времени и совместимостью с устаревшей OT/IT-инфраструктурой. Высокоразмерные данные датчиков требуют тесно синхронизированных конвейеров, чтобы гарантировать, что результаты проверок будут соответствовать средствам управления производством, особенно в высокоскоростных средах. Граничная обработка уменьшает задержку, но также увеличивает потребность в дисциплинированной калибровке, стандартизированных интерфейсах и последовательном управлении жизненным циклом модели для поддержания точности в зависимости от смен, условий и объектов. Более серьезным препятствием является то, что многие устаревшие системы не были созданы для обработки объемов данных, ожиданий безопасности или детерминизма, требуемых современным видением ИИ. Для решения этой проблемы необходимы масштабируемые промышленные сети, общие протоколы связи и уровни структурированных данных, которые соединяют производственные операции с корпоративными системами. При наличии этих основ производители смогут уверенно развертывать передовые системы машинного зрения, не нарушая существующие рабочие процессы.

Рон Джубис: Производители сталкиваются с повышенными требованиями к этим функциям. Это особенно актуально, поскольку на заводах все чаще сочетаются устаревшие системы полевых шин с новыми архитектурами на базе Ethernet. Роль SICK в этой ситуации сосредоточена на разработке датчиков и платформ машинного зрения, которые изначально работают на периферии, одновременно поддерживая новые стандарты промышленной совместимости. Наши датчики используют стандартный промышленный Ethernet, CAN, REST API и другие протоколы связи, помогая соединить расширенный контроль на основе искусственного интеллекта или трехмерное восприятие с существующими средами автоматизации. Это гарантирует, что производители смогут внедрять более сложные системы машинного зрения, не нарушая устоявшуюся архитектуру управления.

Технические обзоры: Каким образом системы контроля и обнаружения аномалий на базе искусственного интеллекта влияют на принятие решений на производстве и как инженерные группы проверяют эти модели на соответствие строгим требованиям качества, безопасности и нормативным требованиям?

Эрик Кэри: Машинное зрение переходит от пассивного постпроизводственного контроля к динамическому драйверу управления процессом. Помимо простого выявления дефектов, современные системы искусственного интеллекта анализируют производственные тенденции, чтобы обнаружить едва заметные отклонения в процессах, реализуя стратегии упреждающего профилактического обслуживания, которые минимизируют время простоя и оптимизируют производительность. Однако вероятностная природа ИИ создает серьезные нормативные и операционные препятствия. Поскольку модели генерируют показатели достоверности, а не бинарные достоверности, объяснимость имеет важное значение для соблюдения требований. Такие инструменты, как тепловые карты, обеспечивают необходимую прозрачность, визуализируя обоснование решений об отказе, в то время как неоднозначные случаи с низкой степенью достоверности передаются экспертам в данной области для оперативной проверки. Кроме того, внедрение моделей непрерывного обучения сталкивается со значительными проблемами сертификации. В регулируемых средах любое обновление модели может инициировать обязательный процесс повторной сертификации, даже если базовое оборудование остается неизменным. Устранение противоречия между итеративной оптимизацией ИИ и жесткими промышленными стандартами теперь является главным приоритетом для поддержания инноваций и соблюдения эксплуатационных требований.

Брайан Бенуа: Инспекция с использованием искусственного интеллекта в режиме реального времени позволяет производственным группам заводов раньше видеть возникающие проблемы, что позволяет быстрее и более обоснованно принимать решения. В отраслях, где точность и отслеживаемость имеют важное значение, такое раннее понимание помогает выявить потенциальные проблемы с качеством до того, как они достигнут критического порога. Вместо того, чтобы ждать окончательных проверок, обнаружение аномалий с помощью искусственного интеллекта выявляет необычные закономерности по мере их возникновения, что позволяет производителям вмешаться раньше. Эти сигналы также улучшают планирование технического обслуживания, график и общую стабильность процесса. Чтобы проверить эти модели и обеспечить согласованность, команды инженеров объединяют статистические испытания, перекрестную проверку, резервные наборы данных и реальные производственные испытания. Результаты этих проверок должны быть измеримыми, повторяемыми и проверяемыми. Внедряя искусственный интеллект в существующие процессы контроля качества и изменений, а также обеспечивая понятность и четкость документирования моделей, производители получают как улучшение производственных результатов, которое обеспечивает искусственный интеллект, так и доверие, необходимое для принятия решений на уровне предприятия.

Рон Джубис: ИИ переводит решения на заводе с периодических проверок на непрерывную оценку на уровне деталей. Производя классификации в реальном времени или оценки аномалий, машинное зрение все чаще поддерживает немедленное сдерживание, автоматическую корректировку и отслеживание качества. Для мобильных и автономных систем обнаружение людей/объектов на основе искусственного интеллекта повышает осведомленность об окружающей среде, что повышает эксплуатационную безопасность. Команды инженеров проверяют эти модели посредством проверки репрезентативности данных, работы в теневом режиме и документации жизненного цикла. Непрерывный мониторинг отклонений и оценки объяснимости становятся неотъемлемой частью соответствия требованиям качества, безопасности и нормативных требований.

Технические обзоры: Есть ли новые передовые методы или стандарты, которые, по вашему мнению, помогают производителям обеспечить прозрачность и надежность визуального контроля с помощью искусственного интеллекта?

Эрик Кэри: Новые стандарты ISO все больше определяют ландшафт управления ИИ, что требует прозрачных и надежных рамок развертывания. Ключевой передовой практикой является объяснимый ИИ (XAI); Использование таких инструментов, как тепловые карты, позволяет системам визуализировать конкретные пиксели, влияющие на принятие решения, точность которых затем могут проверить эксперты в данной области. Кроме того, теневое тестирование предлагает путь проверки с низким уровнем риска. Запуская ИИ в «бесшумном» режиме вместе с устаревшими системами машинного зрения, организации могут сравнивать автоматизированные решения ИИ с установленными контрольными показателями. Это обеспечивает надежность модели и повышает эксплуатационное доверие еще до того, как модель будет активно развернута для управления производственным процессом.

Брайан Бенуа: По мере того, как видение искусственного интеллекта становится более функциональным и простым в развертывании, появляются лучшие практики. Все начинается с дисциплинированного управления наборами данных и воспроизводимых конвейеров обучения:документирования источников данных, проверки моделей в различных реальных условиях и ведения отслеживаемых журналов изменений для обеспечения возможности аудита. Производители также расширяют устоявшиеся системы качества, в том числе системы на основе ISO, для включения средств управления жизненным циклом, ориентированных на ИИ. Контрольные точки с участием человека остаются важными, особенно на ранних этапах развертывания или в приложениях, требующих безопасности или нормативных требований. Четкие инструменты отчетности и пояснения об исключениях помогают операторам понять, почему система принимает то или иное решение. Отраслевые группы также проводят важную работу по формированию руководящих принципов ответственного и объяснимого искусственного интеллекта в промышленной среде.

Рон Джубис: Такие организации, как Международная организация по стандартизации (ISO) и Национальный институт стандартов и технологий (NIST), обращаются к формальным структурам управления ИИ, чтобы гарантировать прозрачность и возможность проверки систем контроля на основе ИИ. ISO/IEC 42001 устанавливает подход к системе управления для ответственного развертывания ИИ, решая такие вопросы, как качество данных, контроль рисков и отслеживаемость. ISO/IEC 5338 предоставляет структурированное руководство по жизненному циклу, усиливая такие практики, как документирование наборов данных, протоколы тестирования и управление изменениями. Кроме того, работа NIST по стандартам ИИ добавляет дополнительные рекомендации по оценке производительности, уменьшению предвзятости и безопасной реализации. Во всех отраслях эти системы становятся основой для укрепления доверия регулирующих органов к автоматизированному контролю.

Технические обзоры: Машинное зрение на основе искусственного интеллекта вышло далеко за рамки традиционного производства и теперь применяется в таких секторах, как аэрокосмическая, автомобильная и электронная промышленность. Какие отрасли сегодня лидируют во внедрении систем машинного зрения на основе искусственного интеллекта и ожидаете ли вы, что их внедрение увеличится в ближайшие пять лет?

Эрик Кэри: Секторы электроники и полупроводников находятся на переднем крае внедрения машинного зрения на основе искусственного интеллекта, что обусловлено необходимостью получения изображений с высоким разрешением для выявления микроскопических дефектов. В отрасли, характеризующейся узкой рентабельностью, повышение выхода продукции за счет точного обнаружения на ранних этапах производственного процесса значительно повышает общую рентабельность. В автомобильной промышленности искусственный интеллект широко применяется на сборочных линиях для трехмерного выравнивания деталей и автоматического контроля качества окраски. Кроме того, сектор ориентируется на усовершенствованные системы помощи водителю (ADAS), которые используют искусственный интеллект для преобразования транспортных средств в мобильные устройства машинного зрения, которые анализируют дорожную среду в режиме реального времени. В то время как большинство производственных секторов постепенно интегрируют ИИ в свои рабочие процессы, электроника, полупроводники и автомобилестроение в настоящее время лидируют. Их раннее внедрение подчеркивает более широкий промышленный сдвиг, когда интеллектуальные системы технического зрения больше не являются необязательными, а необходимы для поддержания конкурентного преимущества в высокоточных и крупносерийных производственных средах.

Брайан Бенуа: Упомянутые отрасли, наряду с производством полупроводников, упаковкой и логистикой больших объемов, являются лидерами внедрения, что обусловлено сложными процессами сборки и необходимостью высокой точности. Производители автомобилей используют зрение искусственного интеллекта для масштабной проверки критически важных компонентов безопасности. Аэрокосмические компании применяют его для проверки поверхности и отслеживания. Производители полупроводников и электроники полагаются на него при проверке пластин, кристаллов и мелких деталей. Логистические операции используют интеллектуальное сканирование для увеличения пропускной способности и обеспечения сквозного отслеживания. В течение следующих пяти лет внедрение будет расширяться и ускоряться. Достижения в области архитектуры нейронных сетей и компактных периферийных устройств сделают внедрение ИИ-видения все более простым. Ведущие отрасли будут все больше полагаться на него, а по мере того, как требования к данным уменьшатся, а системы лучше адаптируются к изменчивости реального мира, внедрение в науках о жизни, возобновляемых источниках энергии и быстроходных потребительских товарах будет расширяться. Снижение затрат и упрощение интеграции приведут к привлечению мелких производителей, что сделает видение на основе искусственного интеллекта основополагающим слоем современной промышленной автоматизации.

Рон Джубис: Производство автомобилей, электроники и полупроводников продолжает лидировать в внедрении машинного зрения на базе искусственного интеллекта, что обусловлено строгими требованиями к качеству, высокой производительностью и необходимостью профилактического обслуживания на тесно интегрированных производственных линиях. Автомобильные заводы ускоряют использование систем контроля и восприятия с поддержкой искусственного интеллекта в рамках более широкого перехода к автономным производственным ячейкам и все более гибким процессам сборки. Во всей отрасли искусственный интеллект интегрируется в контроль сварки, оценку поверхности, проверку сборки и конечные проверки качества. Все эти процессы выигрывают от глубокого обучения и обратной связи в реальном времени.

Эту статью написала Читра Сетхи, редакционный директор SAE Media Group. Для получения дополнительной информации посетите www.teledynedalsa.com , www.cognex.com  и www.sick.com  .