欧姆龙公司面向制造业研发AI技术，提高查找“残次品”精确度

OMRON公司于11月13日宣布，为了解决目前制造业存在的一些问题，开发了两种人工智能技术。即工厂生产线上进行外观检查自动化的图像识别技术“缺陷提取AI”和结合机器学习模型提高AI精度的自主技术“Decentralized X”（分散化X）。缺陷提取AI将运用在该公司的图像处理系统“FH系列”上，预计将在2020年春季投入市场。

AI识别的优势

用AI技术代替熟练工人的“眼睛”

缺陷提取AI技术画像识别技术，主要是对工厂生产线上的机械部件等进行自动化外观检查。此前一直依赖于熟练工人亲自检查，但由于熟练工人人手不足和人工费高涨等原因，缺陷提取AI技术能够代替人工“眼睛”自动检查机械部件缺陷。

利用该公司之前积累的经验和技巧，自助研发AI技术。据说只要AI从手头的图像数据中自动识别出应该学习的图像约10张左右，就能精确地检测出部件缺陷。之前的技术由于噪音太多而难以判断瑕疵，现在从图像上下工夫极大地改善了这一现状。

OMRON部长竹川肇

OMRON的部长竹川肇（商品事业总部传感器事业开发第二部)透露，缺陷提取AI的图像处理系统，在普通笔记本电脑上就能够运行操作。

竹川部长表示，由于熟练工人人手不足再加上人工费高涨，公司近30年来一直在推广通过图像处理技术对机械部件进行自动化检查，不过机器操作也是有限度的。由于对“良品”的判定标准各不相同，如果检查物品过多的话，其判断精度会有所下降。再加上，将AI系统和公司系统完美契合也需要很高的专业知识，这也是一大瓶颈，所以很多企业在引进图像处理系统上犹豫不决。

虽然人工智能技术是为了满足发展需要而研究出来的，但竹川部长表示：“人工智能也不是万能的。把AI技术应用到自动化技术(FA)的现场时往往期待过高，要求99%的高识别率。不仅不能漏掉残次品，还要对良品和残次品进行识别判定，这极大地影响了生产效率”。

企业在将人工智能应用到检验工序时，人工智能必须配合商品种类的增加进行再学习、再调整。另外，在FA现场还需要引进配备AI技术的高性能计算机，所以在成本方面也存在一定的障碍。

为了突破“数据收集的壁垒”

另一个新技术是Decentralized X。这是一种通过整合机器学习模型来提高AI准确度的技术。制作高精度的机器学习模型需要收集大量的数据，但是中小企业很难做到这一点。通过将不同的机器学习模型进行整合，提高AI的性能来解决这一问题。

OMRON的米谷龙先生表示：“现在最重要的不是努力收集数据，现在应该把AI技术合理的应用到手头现有的数据上，以此为基础建立技术框架。”

米谷先生对此做了以下说明：

“例如，有的模式只能识别出苹果产量很高的林和产量很高的橘子林。制作出能够识别不同场地水果的模式，那么就能够制作出对有的水果识别度低的模式。如果想解决这个问题，通常的想法是把苹果和橘子的数据都集中到一个服务器上进行分析，但是存在隐私和通信容量的问题。而Decentralized X技术就是将学习模型代替数据发送到服务器上并进行整合，这样可以创建一个既能识别苹果也能识别橘子的模式。”

共享机械学习模型与共享大数据相比，其通信成本低、数据隐秘性高。也就是说，即使在数据隐秘性高难以与其他公司共享数据的情况下，也可以通过共享、整合学习模型来提高AI的性能。

这个技术也可以应用于外观检查。为了研发出检测机械部件缺陷的AI技术，就需要缺陷品的数据，但是现有模型中其缺陷发生频率很少，再加上数据也少，所以就很难检测出有缺陷的机械品部件。