AI賦能工業質檢 傳統製造工廠加速“智改數轉”|尋新記[gf]2472[/gf]

02:51

封面新聞記者 朱珠

流水線上僅有幾釐米長的連接器依次通過15個工位後,2000萬像素的工業相機陣列已準備就緒,從不同角度“哢嚓”拍下20多張高清產品細節照片,再傳輸到人工智能“大腦”進行分析,後台大屏即刻顯示出產品質量結果。6月11日,當記者走進位於綿陽的四川華豐科技股份有限公司時,在連接器生產車間,看到的不再是人工的反複操作,而是AI“質檢員”正大顯身手,提升著檢測精準率。

這是傳統製造業進入精細化時代的縮影,AI工業質檢則是守護產品質量這一生命線的關鍵環節,新質生產力助力工業高質量發展已有跡可循。

隨著AI大模型在圖像和音視頻處理上獲得更大突破,不僅是製造工廠的改造煥新。近日,尋新記報導組在阿加犀、數之聯等紮根成都的人工智能企業調研中發現,AI工業質檢賽道企業一路升級迭代,不斷打破國外壟斷,實現自主創新,正力圖破解通用性低、成本較高等諸多難題。

製造工廠升級煥新

自主研發AI“質檢員”走進車間

連接器是電子系統設備之間電流或光信號等傳輸與交換的電子部件,不僅常出現在航空航天領域中,在70兆帕的深海、80千伏的高壓等多種特殊環境中都有運用,因此對其生產質量要求極高,產品質檢至關重要。

“華豐生產的連接器是多面體的形狀,以往工人要使用20倍顯微鏡,挨個翻來覆去,才能檢查產品是否存在缺陷。但事實上,不是所有缺陷都能通過顯微鏡分辨出來,並且檢測結果也很容易受到人為情緒影響。”長虹AI實驗室高級研究員劉明華告訴記者,傳統的機器視覺技術雖能代替人工檢測,提升一定的檢測效率,但也存在識別能力單一等問題。

四川華豐科技股份有限公司的連接器正在使用Ai質檢

如今,AI工業質檢逐漸取代了傳統的檢測方式,人工智能深度學習則是解決難題的“有力武器”。長虹AI實驗室通過自研AI視覺檢測技術,研製5G+AI視覺檢測設備,檢測精度低於0.02毫米,2022年該套Ai檢測系統上線後,不僅成功提高了控股子公司華豐連接器的檢測效率,也在冰箱壓縮機等製造領域成功應用。

一家傳統家電製造企業,為何將AI質檢作為重點攻克方向?長虹AI實驗室首席科學家展華益介紹,研究人員通過大量調研發現,AI質檢已是製造工廠普遍並迫切的需求,“特別是我們的客戶已經開始提出,為了確保產品質量可靠性必須使用AI質檢的要求,這一定也是未來的發展趨勢。”

今年3月7日,中國人工智能學會發佈2023年度吳文俊人工智能科學技術獎授獎公告,全國70項成果獲獎。這一 “多面異構體表面缺陷智能檢測關鍵技術及產業化應用”上榜,成為唯一一項由四川企業提名和完成的成果。

人工智能企業入局

推動工業質檢實現降本增效

AI大模型熱度空前,技術迭代週期越來越短,深度學習蓬勃發展,一定程度上促進了新型工業化的“智改數轉”。以長虹為代表的製造企業正在嚐試探索,更多的製造企業想要部署一套完整可行的工業質檢方案並非易事。

從另一層面上講,視覺檢測設備搭載AI算法迭代升級的機會已經到來。

在成都阿加犀智能科技有限公司的展廳內,應用於不同行業的人工智能產品琳瑯滿目,“火眼金睛”高效識別產品瑕疵的工業AI質檢相機則是其中較重磅的產品。據悉,這是公司打造的全球首款搭載高通平台的智能工業相機,今年7月,相機量產的流水線就即將跑起來。

阿加犀研發的智能工業相機

人工智能賽道眾多,技術出身的阿加犀CEO孫曉剛選擇了作為一名“中間商”,服務產業上遊和下遊企業。“我們把算力、芯片、鏡頭做到一體化,集成到小型終端設備,原來需要數萬元的工業相機,現在成本降低到幾千塊錢。”目前,這款相機已經初步在10多家上市公司的生產線上使用。

工業場景複雜多變,不僅面臨轉產換產的麻煩,同時還有許多定製化需求。孫曉剛稱,通過不斷訓練大模型適應柔性化生產,既能解決Ai工業檢測設備貴的問題,也解決了換產的難題。

同樣在成都,另一家專注工業質檢的數之聯則在這一領域深耕了十餘年。據悉,該公司推出的AI Camera是軟硬一體的視覺檢測分類產品,能實現在產線的在製、成品等狀態的外觀表面的毫秒級實時拍出、精確檢測一體化,準確率達到99%以上。

如何將算法和場景有效結合?

打造通用型AI質檢平台成為關鍵

在製造業“智改數轉”進程中,隨著工藝生產的進步,傳統視覺檢測已經不足以應對行業日新月異的檢測要求。

據IDC測算,中國工業質檢市場規模至2025年將快速增長至62億元,2020—2025年復合增長率(CAGR)達28.5%。曾幾何時,工業質檢這道命門長期掌握在外國廠商手中,海外企業服務價格高等讓許多中國企業望而卻步。

作為新興垂直賽道,一眾老牌廠商追趕而上佔據了大部分市場。人工智能發展進入新階段後,該領域不僅吸引了互聯網頭部企業入局,也有Ai創新企業的深耕,更多有實力的製造業也在改造升級中突破發展。

長虹自研AI視覺檢測系統

但業內普遍認為,國內工廠的AI檢測設備占比依然較低,國內AI質檢還不夠智能。當大模型的風颳到質檢領域,深度學習讓AI質檢的穩定性和準確率得到了質的提升,在行業瓶頸在真正被解決前,相關技術的競爭仍在持續。

“長虹在全國擁有幾十家工廠,為什麼AI質檢系統推進並不快?”面對這樣的問題,展華益提到,因為要將檢測系統落地到一個新的工廠,面對複雜工業場景和許多定製化開發需求,需要從0開始採集數據、訓練模型,這是目前的一大挑戰。因此他認為,研發相對通用的平台,是AI工業質檢的未來發展方向之一。

在劉明華看來,為什麼用到AI質檢的製造工廠並不多,這背後實際上還牽扯到工廠的投入產出比。“不久的將來,工廠生產如果加入柔性機器人等助力,設備成本進一步降低後,工廠使用Ai質檢的意願就會越來越高。”也正如孫曉剛所說,智能製造必將逐步滲透到中低端製造業中,AI不僅要在高端製造業中用得好,也要讓中低端製造業用得起。

實際上,並不是所有製造企業都有自主研發能力,更多的是需要技術供應商和行業用戶的協同發展。IDC中國高級分析師程蔭認為,技術供應商和行業用戶需要通力合作,一方面通過不斷的測試與迭代,幫助大模型、生成式AI更好地落地;另一方面,技術供應商和行業用戶也不應放棄針對特定場景開發特定的模型,持續提升具體場景的應用效果。