侵权投诉
订阅
纠错
加入自媒体

预测缺陷、工业分拣、故障感知 机器学习正在大举入侵制造业!

2017-02-10 09:28
九一隐士
关注

机器学习变革制造业的五种方式

不只是最近,机器学习早已开始慢慢“入侵”制造业了。根据日本工业领域人工智能专家Tomi的观点,机器学习变革制造业主要有五种方式:

(1)代替肉眼检查作业,实现制造检查的智能化和无人化

例如工程岩体的分类,目前主要是通过有经验的工程师通过仔细鉴别来判断,效率比较低,并且不同的人有不同的判断偏差。

通过采用人工智能技术,把工程师的经验转化为深度学习算法,判断的淮确率和人工判断相当。得到对应的权值后开发出APP,这样现场工程人员在使用tablet拍照后,就可以通过APP自动得到工程岩体分类的结果,高效且淮确率高。

还有汽车零部件厂商,目前能够检查生产出的零件磨损种类与等级情况的,多是有经验的人工。同样,通过采用深度学习算法,可以把人工的检测经验转化为算法,从而实现无人化检测。

【插播案例】

上海宝钢和 Intel 合作,对钢材进行质量检验。对生产线上拍摄的照片,用机器学习的方法识别其中的划痕,酸洗,来代替人工检测。

(2)大幅改善工业机器人的作业性能,提升制造流程的自动化和无人化

将深度学习算法应用到工业机器人上,拿来做商品或者零件分拣,大概可以分为“分类”和“捡起”两步:

(1) 对商品或者零件进行“分类”

这个步骤非常适合使用深度学习,因为深度学习本质上就是用来做分类识别的。

(2) 将商品或者零件“成功捡起”

对于单个商品或者零件,要想将其成功捡起,关键是选择合适的把持位置,通俗的讲,就是确定机器人夹零件的哪个地方,可以使零件不下滑,从而使零件成功地被捡起来。

对于多个商品和零件堆积在一起的情形,除了把持位置的选择,还需要选择合适的抓取顺序,即先抓取哪一个零件,后抓取哪一个零件,这时可以采用Reinforcement Learning算法,最终可以达到约90%的成功率,和熟练工人的水平相当。

当然,要将这些成果大规模应用到工业流水线上,还需要考虑到正确率要求更高(一般是99.9%),以及速度要求更快等,目前许多改进就是围绕满足这两点指标来进行的。

例如bin picking机器人,工业上有许多需要分捡的作业,如上图所示的零件分捡,采用人工的话,速度缓慢且成本高,而且还需要提供适宜的工作温度环境(夏天的空调,冬天的暖气等),如果采用工业机器人的话,可以大幅减低成本,提高速度。但是,一般需要分捡的零件是没有整齐摆放的,机器人虽然有camera看到零件,但却不知道如何把零件成功的捡起来。这种情况下,使用机器学习,先让工业随机的进行一次分捡动作,然后告诉它这次动作是成功分捡到零件还是抓空了,经过多次训练之后,机器人会知道按照怎样的顺序来分捡,会有更高的成功率。

上面的图片表明通过机器学习后,机器人知道按照按照怎样的顺序分捡,成功率会更高,图中数字是分捡的先后次序

<上一页  1  2  3  下一页>  
声明: 本文由入驻维科号的作者撰写,观点仅代表作者本人,不代表OFweek立场。如有侵权或其他问题,请联系举报。

发表评论

0条评论,0人参与

请输入评论内容...

请输入评论/评论长度6~500个字

您提交的评论过于频繁,请输入验证码继续

暂无评论

暂无评论

文章纠错
x
*文字标题:
*纠错内容:
联系邮箱:
*验 证 码:

粤公网安备 44030502002758号