人工智能应用于玻璃行业的展望



人工智能模拟人类的思维过程。它可以检测和处理图像、识别语言、做出决策并翻译成不同的语言。但它也可以在没有人类的情况下工作吗?

AI 是图像处理的完美搭档,因为相机会不断收集、过滤和评估数据。在与玻璃技术论坛的对话中,ISRA Surface Vision 玻璃业务部副总裁 Bertrand Mercier 解释了客户对人工智能的期望:

“人工智能在没有人工输入的情况下无法工作,即使该过程旨在独立于人。例如,OPC UA 用作机器之间的标准化语言。AI 接收信息并在其错误解释数据时进行纠正,使其类似于儿童的学习过程。这是一个连续的过程,不断的修正会逐渐降低错误率。机器必须始终识别模式。它了解具体的错误模式是什么样的,以及如何独立区分它们,例如区分石头和玻璃中的气泡。这些属性必须提前编程。在玻璃行业,它们可能是典型的特征,如污点、划痕和气泡,也可能是工艺缺陷,如涂层缺陷、碎屑或水滴。所以,

如果您阅读当今的技术和增长,重点是大数据、人工智能(深度学习和机器学习)的概念以及分析这些数据的价值。有效的数据分析可以提前预测需求或识别趋势;然后,系统可以优化流程并对变化做出反应,甚至在人类看到数据之前。

这些大量数字意味着无法通过计算机使用蛮力方法确定最佳配置,因为 AI 仅适用于人工输入。最终,它是关于使用传统方法难以编程的复杂学习问题的自动化解决方案。

购买 AI 的客户可以期待什么?在图像处理中使用基于规则的方法时,您可以比较相同缺陷类型的缺陷模式,以识别相似性并定义隔离规则。尽管这对于具有可以明确分离的缺陷类型的应用程序来说已经足够了,但需要多年的培训才能生成规则和缺陷模式。

“没有人工输入,人工智能就无法工作。”

相比之下,基于人工智能的分类器需要训练数据。在采用机器学习方法(基于特征的分类)时,系统会根据用户自己的需求使用决策树或通过识别最相似的缺陷进行持续训练——因此分类是根据几何、统计或频率。这使得中等复杂度的分类结构能够自动生成并由用户直接改进。特征的数量不可避免地决定了这里的分类质量。

深度学习(基于图片的分类)摒弃了特征提取——神经网络的任务是学习这一点。它使用具有卷积层、过滤器的代表性图像数据。当使用足够大和良好的图像数据集时,系统会学习特征并以最大的精度进行分类。

然而,这也不是一种完全自动化的方法,因为由于自学习方法等因素,性能范围和复杂性都在不断上升。用户当然需要最新的专业知识和训练有素的专业员工。”

Tags: none