越來越多的前沿制造者正在把人工智能（AI），尤其是名為深度學習的機器學習領域，引入到他們的機器視覺技術中。雖然機器視覺技術已經(jīng)存在了一段時日，但其優(yōu)勢在于汽車、食品與飲料、藥物制造和電子產(chǎn)品制造等高要求的行業(yè)中顯得尤為重要。

這些視覺技術可以在質(zhì)檢、供應鏈部件追蹤、測量、存在性檢測、計量和孔隙探測中發(fā)揮作用。但傳統(tǒng)的機器視覺系統(tǒng)在實施時仍有其困難。

這其中的難點涵蓋了硬軟件的兼容性、資金投入、購買周期、維護、操作互通、培訓以及處理復雜案例。對于德國制造者，找到合適的熟練員工也是一個緊迫的問題。自動化技術正在越來越多地補足勞動力短缺并協(xié)助現(xiàn)有員工。

采用深度學習優(yōu)化機器視覺

例如，在工廠內(nèi)，建立和管理工業(yè)自動化過程常常是緩慢且困難的，因為需要依靠多種配有不同軟件的設備及其陳舊的用戶界面。大量的供應商還要求客戶為專用的工業(yè)掃描和視覺相機使用不同的軟件，增加了復雜性和成本。這與我們在產(chǎn)品線上，尤其是在移動、掃描和自動化平臺上所追求的核心原則——可擴展、持久和兼容性，是相違背的。

制造領域在不斷進化，要求提高產(chǎn)量和速度、滿足新的安全規(guī)定、處理日益增加的數(shù)據(jù)并從中提煉有價值的信息。制造商需要的是能夠應對這些問題的現(xiàn)代化機器視覺方案。

但仍有許多人對新型的深度學習機器視覺方案知之甚少，或?qū)@些方案如何助益他們的檢測和測量流程一無所知。

有81%的汽車業(yè)決策者認為，若能在技術上增加投資，將更容易實現(xiàn)其業(yè)務目標，而78%的人則認為他們的團隊需要更多創(chuàng)新思維以保持競爭力。但也有78%的人表示，他們的團隊難以跟上技術進步的步伐。

加強自動化，例如通過機器視覺來自動化視覺檢測，不僅可以提高準確度、速度、規(guī)范性和安全性，也使得工程師能夠?qū)z測工作交給機器，從而專注于其他更重要的任務。

更加高效、靈活并且用戶友好

以深度學習為基礎的機器視覺軟件已成為表面探測、自然原料變化探測、紡織品檢驗、分類、形態(tài)涂層檢測、分離以及特征和異常檢測的絕佳選擇。

正確利用深度學習的硬件和軟件組合可以提升機器視覺的能力，包括處理更為復雜的情境，并提高工程師的效率，使他們更多地像數(shù)據(jù)與AI專家。帶有深度學習特性的新相機、傳感器和視覺平臺能夠解決傳統(tǒng)機器視覺技術難以應對的問題。

現(xiàn)在，基于人工智能的機器視覺工具提供了友好的“拖放”界面、即用即得的工具庫、解決方案創(chuàng)建流程，并得到了經(jīng)驗豐富的技術合作伙伴的支持。這些合作伙伴能為用戶提供必要的建議、數(shù)據(jù)品質(zhì)和標記指導。

用戶還可以獲得靈活的升級選項：僅需一個簡單的許可，就可以將常規(guī)工業(yè)掃描器升級為機器視覺相機，或?qū)呙柢浖墳橐曈X軟件平臺，這無疑為用戶節(jié)約了大量成本和時間。

工程師、開發(fā)者和數(shù)據(jù)專家現(xiàn)在可以在圖形化環(huán)境中合作，該環(huán)境提供了大量已驗證、隨時可用的濾鏡來創(chuàng)建復雜的視覺應用程序；開發(fā)者庫則通過C++代碼生成器和眾多的圖像分析函數(shù)來為集成和定制代碼提供支持。

這種靈活性和易用性為工廠中的工程師帶來了極大的便利。例如，很多上述應用，如生產(chǎn)線檢測、部件追蹤、存在性檢測等，可能都需要進行光學字符識別，所以圖像獲取和分析的能力顯得尤為關鍵。

維持領先地位

面對行業(yè)和消費者的要求，領先的制造商已經(jīng)開始利用深度學習來獲取競爭優(yōu)勢。關于可能出現(xiàn)的熟練勞動力短缺的擔憂，也加速了AI技術在工業(yè)領域的采納。

然而，要完全實現(xiàn)AI和機器視覺的潛力，制造業(yè)仍需突破與創(chuàng)新、財務和技術方面有關的難題。

智能視覺工具的出現(xiàn)將促使制造商加快自動化的步伐，并為所有人提供了走向現(xiàn)代化工廠和更高效制造未來的機會。在追求生產(chǎn)效率和質(zhì)量的過程中，AI和深度學習將繼續(xù)發(fā)揮越來越重要的作用。