人工智能全面來襲

2018年高考雖然告一段落，但是這場關乎考生命運的戰役才剛剛拉開序幕。考后填報志愿其實比起考試來得更有難度，也成為了考生和家長們現階段共同的煩惱。

今年，在琳瑯滿目的專業名稱中，有一個新興專業已迅雷不及掩耳之勢躋身熱門之列，它擁有一個兼具科技感和未來感的名字——“人工智能”。由于對人工智能人才的需求與日俱增，眾多高校紛紛成立了人工智能學院或開辦人工智能專業。

人工智能不僅在高校中卷起熱潮，其實在競爭激烈的汽車行業中，也起到至關重要的作用。

下面就讓小編來為大家介紹一下康耐視的人工智能在汽車行業的應用。

1．活塞壓縮環檢測

過往挑戰：

由于活塞的反光金屬表面，壓縮環上的缺陷很難檢測出來，而且活塞的圓柱形形狀在圖像中的呈現有時很模糊且對焦不準。

解決方案：

在監督模式下使用康耐視ViDi紅色-檢查工具時，工程師基于一組具有代表性的已知“合格”和“不合格”的壓縮環樣本圖像對基于深度學習的軟件進行訓練。接著，技術人員分別對出現較長劃痕的已知“不合格”樣本圖像以及出現正常變化和可接受缺陷(包括銹斑和較小裂紋)的“合格”樣本圖像進行注釋。基于這些圖像，康耐視ViDi套件將學習活塞的自然形態和表面紋理以及劃痕的正常外觀。在訓練階段和驗證期間，可以不斷調整參數，直至訓練后的模型可以正確檢測并分割所有包含較長劃痕的圖像。

2.氣缸檢測

過往挑戰：

氣缸表面較粗糙加上景深的緣故使圖像邊緣周圍往往顯得十分模糊，這樣使缺陷的檢測尤其具有挑戰性。

解決方案：

使用ViDi紅色-檢查工具能夠在相同的照明條件下快速識別其他方法難以檢測到的氣孔。工程師可以在數分鐘內基于一組具有代表性的“合格”和“不合格”氣缸樣本圖像對軟件進行訓練，使用膜濾波器調整感興趣區域，以屏蔽軸內背景的明亮圓盤。使用過程中，基于深度學習的軟件可以在數毫秒內檢測完每個圖像，將出現氣孔的元件表征為缺陷元件，并將其余元件表征為正常元件。

3.焊縫檢測

過往挑戰：

動力系統關鍵部件(如活塞)的復雜表面紋理使傳統的機器視覺難以檢測它們的完整性，且活塞的焊縫具有高度的變化，這會導致各種異常很難被區分開來。

解決方案：

工程師基于一組包含所有焊接異常(包括焊縫重疊) 的“不合格”元件圖像和無任何異常的“合格”元件樣本圖像，在監督模式下對軟件及紅色-檢查工具進行訓練。接下來，工程師將使用ViDi綠色-分類工具來按類型對焊縫缺陷進行分類。通過將紅色-檢查工具與綠色-分類工具結合使用，汽車制造商將可以確保檢測系統識別所有焊縫，并成功將有焊縫重疊的元件分類出來。

4.火花塞識別和分類

過往挑戰：

火花塞細微的外觀變化會給自動化檢測系統帶來挑戰，然而制造商往往只能依靠外觀檢測。

解決方案：

憑借ViDi藍色-定位工具，工程師可以定位貨盤圖像，對軟件進行訓練，讓其學習識別和計數每個火花塞。ViDi綠色-分類工具使用基于深度學習的模型，按照火花塞的特征(即顏色)來對火花塞進行分類。

5. 安全氣囊檢測 

過往挑戰：

人工檢測往往容易遺漏或難以檢測出安全氣囊上那些出現故障的孔洞、裂縫、裂洞、 接縫和縫合問題。由于氣囊織物表面的復雜性，傳統的機器視覺系統也難以通過編程來解決這些問題。

解決方案：

工程師使用ViDi紅色-檢查工具在非監督模式下基于一組“合格”安全氣囊圖像對軟件進行訓練，以創建安全氣囊的參考模型。該模型可以學習安全氣囊織物的正常外觀。所有偏離該模型正常外觀的特征都將被表征為異常。通過這種方式，康耐視 ViDi套件能夠可靠且一致地檢測所有異常。 

6.內飾件總裝驗證 

過往挑戰：

總裝驗證涉及的各種內飾件具有高度的復雜性，這給傳統機器視覺檢測帶來了挑戰。雖然人工檢測員擅長于識別線帶，但速度太慢，效率過于低下。

解決方案：

在監督模式下使用ViDi紅色-檢查工具時，技術人員基于線帶缺失的“不合格”內飾件圖像以及線帶存在的“合格”內飾件圖像對系統進行訓練，以創建完整內飾件的參考模型。通過使用該模型，康耐視ViDi套件能夠將線帶缺失的內飾件識別為異常和缺陷，在最終檢測期間將它們從生產線上剔除。

7.車輛識別碼(VIN)檢測

過往挑戰：

汽車制造商必須能夠定位和讀取VIN碼以實現可追溯性，然而鏡面反射、油漆顏色和眩光導致傳統的機器視覺系統難以定位和識別字符。

解決方案：

有了ViDi藍色-讀取工具后，即使面臨成像挑戰，現在也能夠輕松定位和讀取變形字符。訓練軟件時，工程師可以在包含一組具有代表性的VIN碼字符的圖像上確定感興趣區域。在訓練和驗證期間，技術人員僅重新標記遺漏的字符，直至軟件的模型正確識別所有字符。

總結

康耐視ViDi套件不僅適用于汽車行業，更適用于工業領域的各大應用場景中。

更多相關信息可以點擊下方鏈接查看：

從此“AI”上康耐視——ViDi套件全面解析