一家工业AI公司Landing AI和促进自动化协会（A3， Association for Advancing Automation）发布了一份报告，该报告展示了与基于AI的机器视觉状态相关的新发现。该调查涵盖了一系列主题，包括实施基于AI的视觉检查的采用程度，收益和挑战。

一在制造，视觉检查的许多用例中，一项涉及使用人眼或机器视觉来验证产品是否没有缺陷或零件是否正确组装的任务非常适合AI。根据麦肯锡公司（McKinsey＆Company）的一项研究，与人工检查相比，基于AI的质量检查可以将生产效率提高多达50％，将缺陷检测率提高多达90％。

鉴于这些好处，企业是否已开始在视觉检查中使用AI？如果是这样，采用的水平是什么，挑战是什么？这些问题以及更多的问题促使Landing AI和A3发起了基于AI的机器视觉状态的调查。该调查对来自制造业和机器视觉行业的110家公司进行了单选题调查。参与调查的受访者扮演着各种角色，其中包括高级管理人员，自动化工程师和工厂经理。

一个主要的收获是，企业对AI的有效性充满信心，并且越来越多的公司已经在使用基于深度学习的机器视觉来进行自动视觉检查。

“由调查证明，基于AI的机器视觉已经为制造业创造了价值，其公认的好处包括提高了准确性，灵活性和降低了成本，” Landing AI的AI转型副总裁王冬艳说。“专门为视觉检查而设计的易于使用的AI工具的可用性将推动行业的进一步采用，并将AI的优势带给更多的组织。”

公司对AI的有效性充满信心，有55％的受访者表示他们的总体意见很高或很高。调查显示，有26％的受访者已采用基于AI的机器视觉，而41％的受访者表示他们计划在未来进行。在使用AI的人员中，有62％定义的提高准确性是最大的好处。

62％的制造商指出，在实施AI时，主要挑战是训练AI模型所需的数据不足。随着解决方案退出试点计划，公司还担心可扩展性，有27％的公司表示，从概念验证过渡到初始部署时，他们一直在挣扎。

“随着越来越多的AI解决方案进入制造业，视觉检查解决方案得到了最广泛的应用，” A3教育策略总监Robert Huschka说。“由于速度，准确性和可重复性，自动化系统改善了质量和数量的测量，并使人工人员有更多时间专注于更高价值，更具战略意义的工作。”

Landing AI和A3报告的其他发现包括：

• 在高度自动化的部门中，手动检查仍然扮演着重要的角色，有40％的人表示他们的检查完全或大部分是手动的。

• 企业对AI有效性的信心水平很高，有26％的企业表示他们已经在使用AI进行视觉检查。

• 在使用AI时，数据短缺，将AI集成到现有基础架构中的复杂性以及无法在生产中获得实验室结果是三大挑战。

• 大多数企业更喜欢通过内部开发或与供应商合作来拥有其AI项目的所有权。

传统的机器视觉技术由于其久经考验的可重复性，可靠性和稳定性而在制造工厂中仍然很流行。但是，深度学习技术的出现为扩展功能和灵活性提供了可能性，从而带来了更高的成本效率和更高的生产良率。深度学习技术具有巨大的潜力，以至于智能制造中基于深度学习的机器视觉技术在2017年至2023年之间的年增长率将达到20％，到2023年的收入将达到340亿美元。” 根据ABI研究。

奥迪是使用基于AI的视觉进行视觉检查的先驱

该公司使用基于深度学习的系统来识别并标记德国Ingolstadt工厂中钣金零件的裂纹。据该公司称，该软件可以最高精度地检测出钣金中最细小的裂纹，并可靠地标记出该点。为了开发该系统，奥迪团队花费了数月的时间来训练人工神经网络，其中包含来自奥迪Ingolstadt工厂的七台压力机和几家大众工厂的几百万张测试图像。奥迪股份公司首席信息官弗兰克·洛伊德（Frank Loydl）在谈到这一非凡成就时说：“人工智能和机器学习是奥迪未来的关键技术。”

使用AI解决视觉检查问题

借助Landing AI的端到端视觉检查平台，一家全球钢铁制造商仅用了两周的时间就可以将38个缺陷类别的AI模型的准确性从76％提高到93％。这样可以更准确地检测钢缺陷。在另一种情况下，一家全球领先的压缩机制造商能够使用由Landing AI和该公司共同开发的基于AI的视觉解决方案来自动进行泄漏检测。为了识别泄漏的压缩机，在玻璃水箱前安装了摄像头，玻璃水箱一次被淹没。然后，摄像头捕获图像并将图像发送到基于深度学习的系统，以检测和分析任何气泡泄漏的出现，从而表明压缩机泄漏或故障。