A-B罗克韦尔1768-PB3 模块全新原装 质保一年
1756-A10 1756-A13 1756-A17 1756-A4 1756-A7 1756-BA1 1756-BA2 1756-BATA | 1756-IF16 1756-IF16H 1756-IF8 1756-IF8H 1756-IF8I 1756-IF6I 1756-IF6CIS 1756-IT6I
| 1794-IM16 1794-IM8 1794-IR8 1794-IRT8 1794-IT8 1794-IV16 1794-IV32 1794-OA16
| 1756-HSC 1756-IA16 1756-IA16I 1756-IA32 1756-IB16 1756-IB16D 1756-IB16I 1756-IB32
|
1756-CN2 1756-CN2R 1756-CNB 1756-CNBR 1756-DHRIO 1756-DNB 1756-EN2T 1756-EN2TR 1756-EN3TR 1756-ENBT 1756-ENET 1756-EWEB | 1756-IR6I 1756-IR12 1756-IRT8I 1756-IT6I2 1756-IM16 1756-L61 1756-L62 1756-L63 1756-L64 1756-L65 1756-L71 1756-L71S
| 1756-M03SE 1756-M08SE 1756-M16SE 1756-N2 1756-OA16 1756-OA16I 1756-OB16D 1756-OB16E 1756-OB16I 1756-OB32 1756-OF4 1756-OF8
| 1756-BATA 1756-CNB 1756-IC16 1756-IB16 1756-IB32 1756-IF16 1756-IR61 1734-ACNR 1734-ADN 1734-AENT 1734-AENTR 1734-APB
|
1756-TBS6H 1756-TBSH 1757-SRM 1746-N2 1746-NI16I 1746-NI4
| 1756-PA75R 1756-PB72 1756-PB75 1756-RM 1756-IB16 1746-IV32
| 1756-OF8I 1756-OW16I 1756-PA72 1756-PA75 1794-OA8 1794-OA8I
| 1746-IA16 1746-IB16 1746-IB32 1746-IM16 1746-IO12DC 1746-ITB16 |
A-B罗克韦尔1768-PB3 模块全新原装 质保一年
前言
我自己是做算法出身,喜欢思考问题的本质。比如,AI对于我们整个工业视觉的本质到底是什么。我把这个不仅是我的思考,也是阿丘科技整个公司的思考分享给大家,供大家参考。但这也是一个比较初级的思考,要在以后的实践中深化。
我讲的内容包含三个主题,个是讲AI对于工业视觉到底意味着什么;第二个是我们从整个技术发展周期的角度,看一看工业AI视觉发展的一个大的路线图;第三个,也是必不可少的,要谈一谈我们对未来的一个趋势和观点的一些理解。
AI重构工业视觉
➔ 算法
首先我们来看个主题,AI对于工业视觉算法到底有什么价值?
传统算法,我用两个关键词来定义它,就是定量分析和特征工程。特征工程就是算不同的特征。后面做判断的时候,一堆的if···else···是传统算法的一个特点。那AI这块的话大家已经很了解了,基于样本来做学习。我认为这是很本质的一个东西。
从功能角度出发,工业视觉算法可分为图像处理、定位、检测、测量、识别;从算法实现技术角度就是分类、识别、测量三大类。本质上,工业视觉算法将会或正在被AI全部重构,当然如果涉及到测量技术,即定量分析技术,传统算法依然不可或缺。
AI重构工业视觉算法的在以下 3 个方面:
1. 升维
AI通过升维来解决我们的一些复杂的分类和识别问题。包括复杂的背景、低对比度、柔性电子、一些强干扰。这些东西原来传统方法是没问题的,但是用AI的话,我觉得能更加好。这个点大家是能够肉眼可见的。后面第二点和第三点可能未必肉眼可见,但实际上是更关键的。
2. 简化、通用化
AI的一大优势是可以对算法问题做极度的抽象,抽象之后较为复杂的工业视觉问题就会变得比较简单,还有一个就是通用化。很多工业视觉里面比较复杂的算法问题,用两到三个比较通用的算法模块去训练数据,结果就出来了,并且这个指标还非常。
3. 降本
大家听到这个东西好像有点反直觉,觉得AI对算力有要求,怎么还能降本?
我们举一个所有做传统算法的人都能够理解的一个例子。比如几何形状匹配,这个属于是整个机器视觉里面,传统算法绕不过的这样的一个算法,它需要设置非常多的参数。如果要用好,工程师需要理解几何匹配算法的基本原理、参数的物理含义,这需要较为的图像处理背景知识,门槛要求高。如果你理解不到位,可能定位的结果不是你想要的,或者达不到一个非常的效果。要做到这一点的话,是需要有图像处理算法背景的。所以说我原来做传统图像,就是我在原来东家的时候,我们带着底下的应用工程师都是硕士,这个成本是非常高的。
而我们用 AI 来做,比如说我们只是训练三、五个样本,甚至是一个样本,后面整个定位的精度跟效率都能够达到,甚至超过传统算法的精度。当然,整个鲁棒性肯定也比传统算法要好。那这样使用的成本就可以降到非常低。
➔ 解决方案
这个解决方案的范畴是什么?可以说是视觉系统范畴,也可以说是视觉检测设备范畴。叫解决方案,就是基于算法叠加的一个完整方案。我们内部的观点是,AI不仅仅是一个技术模块,它是一种新的认知框架,本质上是基于数据和标准驱动的。首先我们要有这么一个认知框架,再往下看我们的视觉解决方案,核心包括哪些部分?对这些部分意味着是什么?
我抽取了里面三个核心部分:
1. 成像模组
成像模组就是整个机器视觉里面成像的所有器件跟方案,它背后的基本原理是什么?是基于传统算法,而传统算法基于定量分析。所以说我们基于传统算法来做的成像方案,它的底层要求是“定量、高对比度”。
这个会导致什么样的后果?比如说我们要检测一个表面很多不同类型的缺陷。为了要达到高对比度的定量,可能我需要打若干场光。可能每场光对应两种缺陷,后面才能把这些缺陷完整的呈现出来,成像的效率非常低。
而我们进入AI时代以后,我们对成像的要求变了,只要是目视可见即可。当前基于传统算法构建的成像方案,本质上还只是一个“光电转换器”。只是把一个关键信号转换成图像,距离我们所说的眼睛差的太远了。当然,我们也不可能一步跃成眼睛,那至少阶段性的目标我们是不是可以达到摄影水准。这个做到了有什么好处呢?一方面是能够提高我们整个成像的空间效率,更重要的是它简化了、通用化了、成本低了。这是很重要的一个根本变化。
2. 算法模组
客观来说,当前落地的各种项目,成本还是比较高的。根源在于大部分只是把AI作为一个算法模块,把它叠加到原来的体系里面,就比较低效。后续算法方案一定要以AI为中心,打通和优化整个计算流和数据流,这个才是优的方式,能够提高训练推理效率、降低部署维护成本。
3. 自动化模组
在传统算法时代,由于成像有很多约束,自动化能发挥的作用非常受限。AI其实是打破了算法的束缚,本质上也打破了我们成像的束缚。可以自动化帮我们拍图,各种“凹姿势”“摆造型”。只要能将缺陷拍清楚就可以,并不需要那么明亮的成像。如果这么来做的话,极大地降低了自动化复杂度,提高了自动化通用性。并且能够比较简单高效地解决产品异形、多型号小批量等成像难题。
A-B罗克韦尔1768-PB3 模块全新原装 质保一年