機器視覺與深度學習如何促成工廠自動化

factory automation illustrated banner

過去十年來,技術以人類史上前所未有的步調變化,而在未來數年裡,將只會更加驚人:區塊鏈、機器人、邊緣運算、人工智慧 (AI)、大數據、三維列印、感測器、機器視覺、物聯網,都只是眾產業重大技術轉變開端的一部分。

策略性地規劃採用和運用部分或所有這些技術,在製造業將至關重要。製造業占美國年度經濟活動的 $2 兆 1,700 億美元,但至五年後的 2025 年,麥肯錫 (McKinsey) 預測光是「智慧工廠」便可產生 $3 兆 7,000 億美元的價值。換句話說,可將工廠迅速轉變成智慧自動化中心的公司,將從這些投資獲得長期利益。

資訊科技與創新基金會的全球創新政策專家 Stephen Ezell,在 Intel 的製造業 AI 未來這份報告中表示:「如果故步自封且無法將製造流程數位化,您的成本很可能會提高、產品上市時間晚,向客戶提供獨特附加價值的能力亦會下降。」

工廠或製造業環境下導入技術(AI/Deep Learning),不再是可有可無,而是企業不可或缺。根據近期的 Forbes Insights 研究報告,93% 的汽車業與製造業界受訪者將 AI 分類為「相當重要」或「對成功至關重要」。受訪者當中只有 56% 規劃在人工智慧方面增加支出,但增加幅度不到 10%。

公司未來的輸贏,決定於公司是否正視且認可新技術的重要性並且投入更多工廠自動化及研發成本。也許對 AI 等投資抱持保留態度,主要是因為對其 ROI、功能或真實使用案例缺乏瞭解。產業分析公司 Gartner, Inc. 仍還是將許多 AI 的應用插入「過高期望的高峰期」一類。

但 AI (特別是深度學習或基於範例的機器視覺) 結合傳統基於規則的機器視覺,可為製造工廠與其團隊帶來超強能力。以現代智慧型手機或其他消費性電子裝置的複雜裝配流程為例。結合基於規則的機器視覺與深度學習,可幫助裝配機器人識別正確的組件、識別像是螺絲漏裝或外殼錯位的差異、幫助偵測組件存在與否,或組件漏裝或誤裝在產品的不同位置,以及更迅速判斷是否為問題。還能以難以置信的規模,完成上述工作。

結合機器視覺與深度學習,是公司採用更聰明技術的入門,為下一代帶來規模、精準度、效率及財務成長。但瞭解傳統機器視覺與深度學習之間的微妙差異,以及彼此如何互補,而非取而代之,才可讓這些投資發揮最大效用。

如需瞭解機器視覺與深度學習彼此如何互補並有何差異,請下載電子書:比較深度學習與機器視覺

其他文章

取得產品支援與訓練等等

加入 MyCognex