5月21日,阿丘科技CEO黃耀應邀參加北京機器視覺助力智能制造創新發展大會,并發表《AI+工業視覺探索與展望》主題演講,下文根據黃耀先生的主題演講主要內容撰寫而成。可點擊文末“閱讀原文”下載原版PPT資料。

一、AI+工業檢測的難點與挑戰

現代制造業中,質量管控是一個至關重要但充滿挑戰的環節。制造企業使用AI的具體場景中,“質量檢測”占據了約40%的比例。在質量管控中,面對大規模的產量,企業需要管理眾多的工藝控制點。

這導致單個產品的檢測參數量多,總體檢測的參數量大,給質量控制帶來了極大的壓力。其次,極限制造的環境下,對產品的精度和品質要求極為嚴格。不僅生產線上對過檢和漏檢的指標控制非常嚴格,同時產線速度的加快進一步增加了檢測的難度。

此外,缺陷的種類復雜多變,許多缺陷非常微小,區分度低,使得檢測工作更加困難。最后,傳統的質量管控方式需要投入大量的人力和財力,即使如此,仍然存在漏檢的風險。這些因素共同構成了質量管控的主要難點,亟需通過技術創新和改進來解決。

工業AI視覺檢測作為制造業中新興的領域,在高速發展的同時也一直面臨著一系列難點與挑戰。

第一,嚴苛的性能指標。工業場景對AI檢測提出了極為嚴苛的性能指標,要求極高的準確度、AI模型高度的穩定性和魯棒性,適應復雜多變的工業環境。

第二,工業場景的數據基礎薄弱。工業數據往往數量有限且私有化,導致數據的獲取和應用面臨高度碎片化的難題。數據基礎的薄弱是制約工業AI發展的重要因素,缺乏數據、數據質量差或數據量不足的問題,都嚴重影響了AI模型的訓練和優化效果。

第三,工業場景的AI大多需要與硬件緊密結合。這不僅增加了系統的復雜性,還可能引入各種干擾因素,對AI的性能造成影響。

第四,AI+工業人才缺乏。人才缺乏是工業AI發展中的另一個瓶頸,既懂得AI技術又熟悉工業領域的復合型人才十分稀缺,很大程度上限制了AI技術在工業場景中的應用和推廣。

二、工業AI視覺進入2.0時代

中國工業AI視覺的落地大約始于2019年,經過5年的積累、迭代,正在從1.0進入2.0時代。

工業AI視覺進化論

1、工業AI視覺1.0時代:聚焦工業場景的AI算法,實現“可用”

在工業AI視覺1.0時代,由于沒有足夠的數據,通常需要通過小樣本技術來解決問題。

這一時期的工業AI視覺主要表現為以下3個特征:

第一,小樣本學習。在工業生產環境中,訓練AI模型可用的標注圖像樣本采集、標注耗時耗力,往往數量非常有限,所以此時的AI算法訓練只能夠在有限的數據基礎上進行。

第二,高精度。工業質檢的標準要求AI檢測系統以很高的準確度檢測、識別和分類圖像中的目標對象,如缺陷檢測、尺寸測量、物體識別和分類等任務。高精度是工業視覺檢測系統的一個關鍵性能指標,它對生產效率、產品質量和企業信譽都有直接影響。

第三,低算力依賴。在實際的生產環境中, AI檢測系統在執行圖像處理和分析任務時可用的計算資源相對較少,工業級AI視覺算法經過專門的優化,可以在相對性能有限的計算資源上完成高性能檢測。

這一時期的典型客戶群體主要是對新技術持開放態度的企業,它們通常面臨明顯的生產或質量管控痛點,并且愿意投資于前沿技術以獲得競爭優勢。這些企業通常對AI有清晰的認識,能夠定義明確的需求邊界,并有能力進行有效的數據和模型管理。

工業AI視覺1.0時代

在這一時期,從AI全面落地的角度,也僅僅算是解決了工業視覺中“可用”的問題。

首先,數據困局明顯。由于工業缺陷數據難以搜集,外加清洗、標注等成本偏高,使得AI模型的訓練和整理都變得充滿挑戰。

其次,部署周期長。較長的上線部署周期,嚴重延緩了企業所需的應用速度。

而且,未知缺陷無法識別。一些新的缺陷類型難以識別,很大程度限制了AI的應用。

最后,昂貴的成本。高昂的AI落地成本門檻使得只有具備一定支付能力的企業才可能采用這項技術。

總體而言,工業AI視覺1.0時代為工業AI視覺技術的未來發展奠定了基礎,盡管存在諸多挑戰,但通過不斷的技術創新和市場適應,AI視覺技術逐步從可用走向成熟。

2、工業AI視覺2.0時代:生成式AI及垂直細分通用模型,達到“好用”

工業AI視覺2.0時代的來臨,標志著工業AI視覺技術的重要演進。

基于Transformer神經網絡的技術也在工業AI領域迅速發展,更強的通用性和泛化能力,可以把過去針對單一場景解決問題擴展到可應對垂類場景解決問題。

具體來說,包括單場景的規模復制和多場景模型的泛化遷移,這為工業AI視覺的應用提供了更大的靈活性和擴展性,同時也大大降低了AI落地的成本。

同時,這些轉變也會涉及到成像模組、算法模組以及自動化模組的創新和簡化,使得AI解決方案更加易于開發及落地。

工業AI視覺2.0時代的客戶群體更加普遍,即客戶有明確的痛點、關注性價比,他們可從AI成本的進一步下降中受益,使得AI視覺技術的應用擴展到更大規模。

工業AI視覺2.0時代

在工業AI視覺2.0時代,三大關鍵技術起到了重要作用。

(1)關鍵技術一:智能良品學習

阿丘科技認為,工業AI視覺2.0時代的關鍵技術之一即智能良品學習,它包括非監督分割和非監督分類兩種模塊。這項技術可有效應對產線中出現的未知新缺陷,以及需要在極短的時間內完成模型部署和上線的問題。

智能良品學習的核心優勢在于,它只需利用良品圖像,就能夠對所有已知和未知的缺陷進行像素級別的檢測和整圖分類,從而實現快速的上線驗證。目前,阿丘科技已將智能良品學習技術應用在數十個實際場景中,尤其適用于一些產線良品率高、樣本收集周期長、可能面臨未知缺陷,以及產線上異常類別檢測等場景。

然而,對于小缺陷場景,智能良品學習技術的效果仍有待提升。

關鍵技術一

智能良品學習技術展示了AI在工業視覺檢測領域中的巨大潛力,尤其是在快速適應產線變化和提高生產效率等方面。

(2)關鍵技術二:生成式AI——智能缺陷數據生成

在工業AI視覺2.0時代中的另一項關鍵技術即生成式AI——智能缺陷數據生成。

在以往方式中,搜集缺陷樣本數據需要花費數天甚至是數月時間,一旦產品換型,整個搜集過程又必須重新開始。此外,搜集那些不常出現的長尾缺陷(一年可能只出現一次),也為樣本收集帶來了巨大挑戰。

為了解決這些問題,阿丘科技通過多年來在工業AI視覺領域的探索和實踐,利用積累的大量場景和經驗,構建出預訓練模型。基于預訓練模型,結合具體場景的缺陷特征描述,通過Stable Diffusion框架,即可生成真實缺陷的仿真圖像。

這意味著,AI可以創造出接近真實情況的目標缺陷圖像,并能適應復雜結構缺陷、背景變化、缺陷邊緣處理等多樣場景,高度還原真實缺陷紋理、立體度和色彩細節等。

智能缺陷生成技術為工業視覺檢測系統提供了一個強大的工具,以便于在缺乏實際缺陷樣本的情況下,也能訓練和優化模型,顯著提高了模型的泛化能力與適應性。

關鍵技術二

(3)關鍵技術三:工業視覺大模型

關鍵技術三為工業視覺大模型,即專門針對工業應用領域而設計的算法模型,其構建和訓練需要利用Transformer,以及大量的領域特定數據。

工業視覺大模型具備領域泛化能力,能夠適應多變的工業環境,特別是單場景的規模復制和多場景模型的泛化遷移。

工業視覺大模型具有一定的垂直場景通用性,在特定領域可以有效降低AI算法開發、訓練的成本,因此在智能制造和自動化質量控制方面的應用非常迅速。

關鍵技術三(部分素材來源Landing.AI)

從工業AI視覺1.0時代向工業AI視覺2.0時代轉變的過程,也是工業AI視覺從“可用”邁向“好用”的過程。

在“可用”的時代,“算法驅動”是破局的關鍵,小樣本、AI算法、軟件工具鏈、AI落地方法論這些成為企業開發和應用工業AI視覺的關鍵點。

在“好用”的時代,“以數據為中心”逐漸成為共識。高質量的數據開始作為構建強大AI算法的基礎,同時,生成式AI算法能夠利用有限的數據樣本生成更多的可用數據,從而可以低成本達成AI模型訓練。

而且,工業AI視覺2.0時代將更強調平臺化,構建的AI平臺將包裹并整合以往的軟件、工具鏈和方法論等內容,解決企業中碎片化場景的應用問題,助力AI技術在企業各個分支工廠、不同場景的落地應用。

在工業AI視覺2.0時代的革新浪潮中,阿丘科技希望能夠推動工業AI視覺平臺及行業基礎模型在工業視覺領域的垂直應用,降低企業AI落地成本和難度,幫助企業實現智能化升級。

工業視覺AI從1.0時代到2.0時代

三、工業AI垂直行業視覺大模型的實踐落地

從2017年創業以來,阿丘科技始終致力于將先進的人工智能、機器視覺等技術應用于工業領域的智能化檢測。目前,已落地800+工廠,標準工業AI視覺軟件批量部署套數10000+,獲得3C電子、動力電池、PCB等行業50+標桿客戶的認可。在充滿生機的工業AI視覺2.0時代,阿丘科技秉持開放的心態,將已實際落地的AI垂直行業視覺大模型實踐與同行分享。

以工業視覺大模型在PCB行業中的實踐為例。

PCB(Printed Circuit Board,印制電路板)是現代電子產品制造中的核心組成部分,被廣泛用于計算機、手機、醫療設備、汽車、航空航天等眾多領域,PCB的設計和制造質量直接影響到電子產品的性能。

隨著技術的發展,PCB的設計工藝越來越復雜,缺陷種類多達上百種,根據產品應用場景不同,其檢測情況也存在差異。

由于背景復雜,工藝屬性強,產品尺寸規格多樣,算法兼容適配難度大。PCB生產廠早期均采用基于傳統算法的AOI(自動光學檢測)和 AVI(自動視覺檢測)設備檢測PCB缺陷,設備調試復雜且誤報率高,需要大量人工對假點復判。平均一臺設備需要配置3-6名質檢人員,人工復判的成本高、一致性差,質量難以把控。

針對這些難點,阿丘科技通過構建PCB行業垂直視覺大模型,通過三大步驟,落地實踐。

步驟一,數據積累。阿丘科技收集了大量PCB行業現場的私有化部署缺陷數據,并進行了部分缺陷的仿真,不僅實現了行業場景數據的積累,還覆蓋了上百種缺陷、細分類別,準確率達到95%以上。同時,基于阿丘科技AIDG智能缺陷生成工具,低成本、快速生成大量的缺陷樣本數據,滿足大模型訓練的需求。

步驟二:標準定義。阿丘科技對各類出貨檢測標準進行匯總、整理和分級,逐步探索并確定了適用于PCB各交付場景的檢測標準。

步驟三:預制模型訓練。在AOI和AVI等場景中,阿丘科技使預制模型的覆蓋度達到了90%以上。

這一過程極大地提升了交付效率,將原本需要120天的流程縮短至14天。不僅極大縮短了數據處理時間,還使得模型可以更快更穩地上線。截止目前,阿丘科技AI垂直行業視覺大模型在PCB行業已經導入了超過 100個工廠,累計升級設備數超過1000臺,Top30的PCB客戶覆蓋率達到70%以上。

PCB行業案例

阿丘科技通過數據積累、標準定義和預制模型訓練,成功將AI垂直行業視覺大模型應用于PCB行業,提升了PCB行業的工業視覺檢測效率,縮短了交付周期,通過流程優化,提高了數據處理速度及模型穩定性。同時,阿丘科技也會繼續擴大在工業 AI 垂直行業的技術能力,進一步深化和拓展其視覺大模型的應用范圍,實現更高效的模型訓練和更精準的缺陷檢測,以滿足市場對快速響應和高效生產的需求。

作為AI+工業先行者,阿丘科技將繼續保持創新,不斷將最前沿的AI技術應用于工業領域,為行業帶來驚艷的AI產品解決方案,推動AI從可用變得好用。攜手行業伙伴一同推動AI for Every Factory!

免責聲明：市場有風險，選擇需謹慎！此文僅供參考，不作買賣依據。

關鍵詞：