一家汽車制造商推出了數(shù)英里的鈑金后鍛件，并希望這種金屬的材料特性準確無誤。鈑金通過沖壓變形為車身面板，如果特性不正確，則材料可能會裂開。當今的制造地板每隔四秒便會在汽車面板上蓋印一次，這比人類檢測的速度快得多。面板和零件將被發(fā)送到離線工作站，在該小組中，團隊會手動檢測零件是否有裂痕。檢測每個零件需要幾秒鐘，然后將零件發(fā)送到裝配體，該過程緩慢且昂貴。

　　問題的代價

　　人工成本是主要要務。雇用了一組人員來檢測零件，但是這些角色的周轉率很高，需要在招募和培訓上進行投資。根據(jù)檢測員的數(shù)量，這些費用每年可能高達每條生產線數(shù)十萬元。如果發(fā)現(xiàn)有裂痕的零件無法沖壓到裝配體，則成本開始攀升。逃到裝配中的有缺陷零件使制造商付出的成本遠遠超過零件本身。如果零件泄漏到產品中，則可能會損失整輛車，以及相當大的品牌損失和客戶投訴。每年在其所有工廠上花費數(shù)千萬元，用于招聘，培訓，保留，檢測和補救沖壓過程中的缺陷。

　　工廠經理的困境

　　工廠經理不斷面臨著同樣的問題：如何在不犧牲安全性和質量的前提下優(yōu)化運營？

　　手動檢測似乎是較好的選擇,但是很慢，容易出錯，而且很貴。

　　除了體力勞動之外，Machine Vision（MV）技術解決方案還試圖解決這一問題。MV解決方案是基于規(guī)則的，這意味著它們是嚴格的。須按照MV應用程序邏輯期望的方式準確顯示圖像。他們無法解釋照明，零件形狀或缺陷位置的變化。

　　人工智能面臨的歷史挑戰(zhàn)

　　近期，機器視覺（Machine Vision）充滿了人工智能（AI）驅動的解決方案的希望。與歷史上的MV不同，由AI驅動的MV“學習”在許多不同種類的零件，光照條件和缺陷位置上的缺陷外觀。

　　不幸的是，訓練AI驅動的MV解決方案以達到與人相似的準確性的過程非常緩慢且昂貴。對于初學者而言，這些解決方案需要數(shù)據(jù)科學家中稀有且昂貴的技能，后者會決定調整和調整系統(tǒng)以產生準確的結果。數(shù)據(jù)科學家為AI模型配置，訓練和設置處理過程可能需要幾個月的時間。

　　下表中的示例概述了數(shù)據(jù)科學家需要做出的數(shù)十個決定的表面。總而言之，可以調整80多個此類相互依賴的因素以優(yōu)化準確性。

　　型號配置

　　我們的神經網(wǎng)絡應該有幾層？我們應該如何在節(jié)點之間分配工作負載？

　　模型訓練

　　我們應該訓練多長時間？我們應該使用什么學習率？

　　前后處理

　　我們應該將圖像運行一次還是兩次？是否有助于提升圖像質量？

　　一個AI驅動的系統(tǒng)通過攝取其試圖學習如何看待事物的樣本進行訓練。通常，它需要數(shù)千個正確的示例圖像來訓練系統(tǒng)。這些樣品須由該領域的專家標記。攝取圖像并訓練模型后，數(shù)據(jù)科學家會以反復試驗的方式更改參數(shù)，以優(yōu)化準確性。

　　例如，為了達到99.9％的精度檢測汽車零件的裂痕，基于AI的競爭解決方案將需要一名數(shù)據(jù)科學家大約1100個小時才能達到99.9％的精度。

　　人工智能驅動的機器視覺是一個緩慢而昂貴的主張。這是這些方法未“準備好企業(yè)”的原因之一。

　　有什么變化？

　　2012年，深層神經網(wǎng)絡贏得了ILSVRC“ Imagenet挑戰(zhàn)賽”。從那時起，DNN在大規(guī)模圖像分類任務上已經超過了人類的準確性。這些成就源于三件事的融合：

　　1、在神經網(wǎng)絡和機器學習領域進行的數(shù)十年研究

　　2、更大的培訓數(shù)據(jù)集的可用性

　　3、用于在大型數(shù)據(jù)集上訓練深度神經網(wǎng)絡的GPU性能的進步