利用实时分析技术改造工厂车间

制造商面临着巨大的压力，必须利用所有可用的智能功能，如机器视觉和 AI 驱动的视频分析等技术。这些都是实现从缺陷检测和预防到工人安全等一切事项的关键工具。但很少有制造商是 AI 领域的专家，要掌握的东西很多，要处理的事情也很多，更不用说要为未来的重大技术投资做好准备。这些新技术需要具有适应性和互操作性。

参与有关需求讨论的人员包括 Jonathan Weiss，工业机器视觉提供商 Eigen Innovations 的首席营收官；以及 Aji Anirudhan，人工智能视频分析公司 AllGoVision Technologies 的首席销售和营销官。他们讨论了实施工业 4.0 的挑战，制造商如何利用数据驱动的工厂，以及 AI 如何继续改变工厂车间（视频 1）。

视频 1。来自 AllGoVision 和 Eigen Innovations 的行业专家讨论 AI 在制造业领域的变革性影响。（资料来源：insight.tech）

机器视觉和 AI 如何应对工业 4.0 挑战？

Jonathan Weiss： 我们所做的只是用于质量检验的机器视觉，我们专注于工业制造。传统视觉系统非常适合检测生产足迹问题，通常情况下，它们会告诉您产品是好是坏。但如何帮助人们预防缺陷，而不仅仅是告诉他们已产生缺陷？

这正是我们软件的独特之处。我们不仅利用视觉系统、摄像头和不同类型的传感器，还直接与过程数据记录器、OPC UA 服务器连接，甚至在控制网络层面直接连接 PLC。我们提供深入了解制造零件的实际变量和指标，以及流程中出现的问题和导致缺陷的变异类型。我们的很多工作都是基于 AI 和 ML。

视频分析如何解决当前工业环境中的工人风险问题？

Aji Anirudhan： 这个行业的首要问题是如何加强自动化，如何引进更多机器。但人不会从工厂车间消失，这基本上意味着人与机器之间会有更多的互动。

联合国的一些数据表明，全球企业每年在工作场所人身伤害和财务损害方面花费 26800 亿美元。这一成本是每个制造商都非常关心的主要问题。传统上，他们所做的是关注发生事故的不同场景，并制定政策以确保不再发生此类事故。

但这并不足以降低成本。发生事故的原因可能多种多样；本来未预料到的场景仍然可能造成潜在事故。因此，必须建立一个实时机制，以确保事故从一开始就不会发生。

这意味着，如果车间员工应该佩戴安全帽而没有戴，就会被识别出来，以便一线经理可以立即处理，即使事故还没有发生。最重要的是：减少事故意味着降低保险成本，从而提高公司的盈利能力。

在工业制造领域，它是人的不同行为模式、人与机器或人与车辆之间不同互动的组合。我们认为，不同客户的工人安全要求也不尽相同：石油和天然气公司对设备、防护装备和安全计划的要求与制药公司不同。

例如，我们曾与印度一家公司合作，该公司的生产线上有液态金属，有时会发生金属溢出的情况。从人员安全和工厂安全的角度来看，这是非常危险的。公司希望对其进行持续监控，并在发生任何情况时立即报告。

目前，制造商是否已准备好迎接数据驱动型工厂的挑战？

Jonathan Weiss： 制造商作为一个整体，普遍认同数字化和自动化的必要性。我认为进行大规模部署的正确道路上仍需大量的指导——从哪里开始；如何确保计划的效率和成功；以及如何将规模扩展到工厂以外。

我所在的领域，它正在帮助工业企业克服摄像头系统各自为政、无法与其他企业系统通信的难题。此外，还无法跨生产线、工厂甚至跨机器扩展这些 AI 模型。这正是传统摄像系统的失灵之处。在 Eigen，我们已经破解了这一难题。

但 Aji 和我破解的只是一个更大谜题中的一小块，这个谜题的一个共同点就是数据。我们为所有生产数据创建单一信息源，以此方式来推动可行的洞察或自动化。简而言之，它是放置所有数据的单一位置，包括质量数据、流程数据、安全数据、现场服务类型数据、客户数据、保修信息等。然后开始与各种企业级应用程序建立双向连接，这样 ERP 就能了解质量的着眼点，反之亦然。

拥有单一信息源，然后采用正确的策略和架构，将各种类型的软件部署到整个工业企业的单一信息源中。

制造商如何将机器视觉应用于工厂运营？

Jonathan Weiss： 首先了解要解决的问题是什么。您希望减少的最频繁发生的最高价值缺陷是什么？

在焊接领域，有些东西是人眼通常无法看到的，因此视觉系统变得非常重要。例如，复杂的装配工艺流程需要红外摄像机，由于人眼无法轻易看到零件的整个几何形状，因此无法了解某个地方是否存在缺陷，或者要找到缺陷非常困难。

找到一个能提供最大价值的用例，然后再从该用例回溯。然后是选择技术。我一直鼓励人们寻找适应性和可扩展性强的技术，因为如果一切顺利，它可能不会成为工厂范围内部署的唯一一个视觉系统。

Aji Anirudhan： 目前，大多数工厂都安装了闭路电视摄像头，以满足合规和其他需求，我们在 AllGoVision 的要求可以轻松与来自摄像头的输入/输出匹配。摄像头的位置或照明状况可能有所不同。或许非常特定的用例需要不同的摄像头，也许是热成像摄像头。但在 80% 的情况下，我们可以重新利用现有的基础设施，在视频信号的基础上进行传输。

与英特尔等合作伙伴合作有多重要？

Aji Anirudhan： 我们是首批采用英特尔开放式窗口架构的视频分析提供商之一。我们一直在使用英特尔处理器，从早期版本一直到现在的 Gen4 和 Gen5，性能实现了显著提升。英特尔在提供适合运行基于深度学习的模型的平台方面所做的工作对我们来说非常有用。

运行深度学习算法的一些新的增强功能，如集成 GPU 或新的锐炫^™ GPU，我们非常开心能够利用这些设备提高运行算法的效率。英特尔是我们当前和未来战略的重要合作伙伴。

随着 AI 领域不断发展，还有哪些机遇？

Jonathan Weiss： 在 Eigen，我们进行各种类型的检查。例如，检查在纸张上涂抹特殊涂料的机器。机器的一个部件会在纸张通过时对其进行分级，你只有 8 秒的时间来收集机器上两毫米半的涂层累积情况，否则将会造成价值约 15 万美元的损失。而这种情况在一年中可能会发生很多很多次。在整个换班过程中，甚至也会发生多次。

在思考未来的情况时，我们有 8 秒钟的时间来检测累积情况并自动采取行动防止设备故障。我们现在只需一秒钟就能完成这项工作，但想想我们未来在三分之二秒或半秒内就能完成这项工作，真是令人兴奋。

因此，我认为未来的技术将变得更加强大，而我们使用技术的方式也将变得更加多样。我看到许多这类复杂工具的民主化越来越受欢迎。在 Eigen，我们从头开始构建软件，旨在让生产领域的任何经验水平的任何人都能构建视觉系统。这对我们来说非常重要，对我们的客户也非常重要。

虽然在我们的领域，我们一直对产品质量保持特别关注，但正如 Aji 刚才提到的，人不会消失。我认为这恰恰说明了人们对 AI 的一个普遍误解，即 AI 会取代人类，夺走工作岗位。我们在产品质量方面看到的情况实际上恰恰相反：通过将视觉系统和软件工具引入工厂，我们使工厂能够更快地检验零件。现在，他们能够生产更多的产品，这意味着公司能够雇佣更多的员工来生产更多的零件。

我的很多客户都表示，他们工厂中人员流动率最高的是目视检验员。这可能是一份让人不舒服的工作，连续 12 小时站在原地盯着从身边经过的零件，头都要转晕了。因此，这种需求可以维生素和止痛药来类比。对这些企业来说，它可能是一种止痛药，而不再是维生素。我们正在帮助缓解组织痛点，这并不是什么可有可无的东西。

Aji Anirudhan： 有趣的是的是所有生成式 AI，以及我们如何利用这些技术。视觉大模型基本上着眼于解释复杂的视觉或复杂的场景。例如：有一种环境，车辆可以通行，但人却不能通行。客户说：“是的，如果工人推着手推车，他也可以沿着同样的路径前进。”但如何界定一个是否有手推车？

因此，我们正在研究类似于 LVM 的新增强技术，以推出新的用例。未来几年，生成式 AI 技术将帮助我们以更好的方式解决工厂中的这些用例。但我们还有很多事情要做。因此，我们对技术感到兴奋；我们对正在进行的实施感到兴奋。我们期待着与世界各地的客户开展更大规模的业务。