人工智慧協助提升製造能力

people discuss deep learning in an industrial setting

數十年來,使用機器視覺進行自動化,已是最受製造廠商歡迎用來增加利潤的其中一種方式。現今,透過人工智慧 (AI) 技術自動化,可以轉化製造業的能力,改善其公司營運並獲得新客戶。

最基本來說,AI 可讓機器與運算系統從資料與範例中學習,以預測結果。根據 Forrester Research,驚人地發現有 53% 的技術決策者不是實作,就是擴大其 AI 用途,另外有 20% 規劃在接下來的 12 個月裡實作 AI。和醫療保健與零售業並列,製造業也是欣然採用 AI 的最大產業之一,製造業在 AI 方面的支出預期每年會成長接近 50%,到 2025 年可達到 172 億美元。

AI 可以運用在供應鏈管理、品質測試和檢測,或設備的預測性維修等不同的領域。AI 具有真正的變革性力量,重塑製造廠商對整體營運的看法。但即使這項可扭轉競爭局面的技術不斷發展並且變得更易用,許多製造廠商仍難以充分運用此技術,主要是因為所面臨的挑戰,涉及成本、投產期、所需專業知識以及結果可靠性。

藉由重新定義其性能期望,無論是發現缺陷、避免誤拒或節省時間,欣然採用 AI 的製造廠商,以及特別是將深度學習應用納入其檢測自動化策略的製造廠商,均可獲得主要經濟與實質收益。

 

成功的深度學習專案可以節省成本,以及改善成品率,以及更加瞭解您自己的製造流程。雖然會有與實作深度學習解決方案相關的初始直接成本,包括軟體與硬體支出,工程人員的開發成本,以及收集資料輸入所需的時間,但直接與間接受益的價值可觀。

開始使用深度學習專案

我們會在此探索直接計算財務 ROI 以外,預料之中與之外的三項 AI 優點。

削減成本並降低經常費用

製造廠商願意承擔取代過時工作做法的風險,特別是在難以實作機器視覺處採行的人工檢測,將獲得經常費用較低的回報。人工檢測主要是每年都會產生勞力成本,其中也包括人員流動與重新訓練費用。當檢測人員全神貫注時,表現經常優於自動化解決方案。但大部分操作人員的專注力只能保持 15-20 分鐘,導致在值班期間或在生產線之間產生不一致的情況。計算 AI 專案投資回收率時,許多製造廠商對於其成品率與產量獲得改善的速度之快大感詫異。

加快完成

這聽來可能會令人訝異,因為許多人都認為與範疇內與 AI 應用相關的投產期很長。但簡單易用的全新 AI 軟體專為工廠自動化而設計,可實際加快上市時間。考量針對具有人類判斷力的複雜機器視覺應用:缺陷資料庫、例外情況,以及隨著時間越變越大的篩檢程式,精準地撰寫程式和維護。AI 教導同一個系統從資料集中學習,並根據那些範例做出決策,而不是為電腦撰寫演算法或設計規則複雜的程式。在一些品質工程師與數百至數千個圖像的幫助下,只要數週的時間,即可完成實作、測試及微調 AI 應用。

改善分析與上游流程控制

可記錄檢測結果的 AI 解決方案可讓其使用者安心,並能在未來失敗時,追溯地檢查檢測圖像與決策。成功將最終檢測站自動化之後,通常便可將上游檢測步驟移轉至在生產線上進行的檢測。這樣可在對組件不良品花費時間或增加額外價值之前,更快速識別缺陷,進而削減成本。最後,深度學習機器視覺可與整體流程改善舉措息息相關,例如將具體視覺資料與像是製程參數、元件供應商、設備差異、工廠位置等的其他指標相關聯。

AI 是可節省勞力的全新自動化技術,協助製造廠商獲得額外的利潤,而且整條供應鏈都能間接受益。透過將 AI 納入組織的整體策略性自動化計劃與營運之中,這項技術可以協助製造公司達到性能新高、增加股東價值,並且遙遙領先競爭對手。

如需深入瞭解,請下載康耐視的免費白皮書《深度學習之於工廠自動化》。

其他文章

取得產品支援與訓練等等

加入 MyCognex