人工智能（AI）驱动的视觉系统正以前所未有的态势革新制造业的质量控制环节，其相较于传统机器视觉系统，在成本、部署速度及灵活性等方面均展现出显著优势。然而，这并不意味着AI视觉系统适用于所有应用场景。

　　在工业环境中，传统的机器视觉系统长期以来一直是自动化质量控制（QC）和质量验证（QV）流程的支柱。这些系统通常基于规则并依赖于传统的图像处理技术，已被广泛部署用于检查产品是否存在缺陷、测量组件并确保符合设计规范。

　　然而，这些传统视觉技术在满足当前及未来制造业需求方面存在诸多限制。例如，传统视觉系统技术要求对相机、镜头和照明设备进行精确校准。它们还需要针对特定检测任务进行密集且详细的编程。这意味着许多制造商在部署这些复杂系统时需要外部咨询支持。

　　尽管传统视觉系统在受控条件下表现优异，但在动态制造环境中它们会面临很多挑战。在供应链变化或客户需求不断演进的背景下，企业需要生产流程具备敏捷性以快速响应。

　　成本问题也是传统视觉系统技术的一个主要限制因素。这些系统通常由高性能硬件组成，如工业级相机、专用照明设备和定制计算平台。集成和校准这些组件需要专业的工程技能，这增加了资本支出和运营支出。

　　除此之外，任何检测参数的更改或新产品线的增加通常都需要大量的重新编程，这大大增加了系统更新的时间和成本。

　　环境敏感性是另一个主要缺点。传统系统在很大程度上依赖于一致的照明和摄像机放置。即使是照明的微小变化，例如光色变化、阴影或眩光（有时仅仅是由老化的灯泡引起的），也会影响图像质量并触发误报或漏报缺陷。

　　传统的视觉系统也难以补偿与相机相关的差异，例如灰尘、镜头畸变或传感器不一致，这些都可能影响测量精度或缺陷检测。

图1：AI可以准确检测和识别人眼会遗漏的微小缺陷，并将缺陷与可接受的变化区分开来。本文图片来源：西门子

　　由于传统视觉技术建立在基于规则的系统之上，因此它们依赖于预定义的阈值和严格的逻辑来确定通过/失败标准。因此，它们通常无法适应实际生产中发生的材料、方向、纹理或外观的自然变化。当产品发生变化时，即使是很小的变化，系统也可能需要重新配置或从头开始重新编程，这需要大量的停机时间，有时还需要聘请昂贵的顾问。

　　随着大规模定制和敏捷生产成为整个制造业的常态，这些不灵活的系统正在达到极限，这导致制造商开始转向 AI 驱动的视觉系统。

　　这些系统具有更强的适应性、对环境条件的稳健性以及跨产品变体的可扩展性。为了充分利用这些 AI 驱动的视觉系统，了解传统视觉系统的局限性对于管理转型风险和确定工业 QC/QV 的现代化机会至关重要。

　　AI 视觉平台最引人注目的优势之一是其低廉的购置和设置成本。这些系统通常使用现成的硬件，即标准的工业级或消费级摄像头，与支持 GPU 的边缘设备或云连接处理器配对。

　　AI 模型可以补偿照明和方向的变化，无需高端光学器件、定制照明或昂贵的基于 PC 的控制系统，从而减少了对昂贵的基础设施的需求。

　　易于部署是 AI 视觉系统的另一个优势。许多商用 AI 视觉工具现在都带有基于向导的即插即用界面。这些直观的平台允许很少或没有编程背景的用户在几分钟内设置检测任务、定义通过/失败标准并开始模型训练。这意味着这些系统可以在几小时内完成设置，而不是几天或几周，从而大大减少了集成或产品转换期间的停机时间。

　　最重要的是，这些 AI 系统在设计时考虑了敏捷性和易于再训练。当产品因设计调整、材料变化或生产变化而发展时，AI 模型可以实时在新数据集上重新训练。通常，此过程只需要捕获几十张图像并指导系统完成简短的再训练过程。这消除了对昂贵的视觉顾问或专家的依赖，使内部员工能够及时根据需要维护和调整系统。

图2：一个设备齐全、开箱即用的工业视觉检测系统。

　　另一个显着的好处是与 AI 视觉技术相关的快速且可衡量的投资回报。通过减少误剔除、捕获以前无法检测到的缺陷并加快产品转换速度，AI 视觉系统通常会在几个月内收回成本。它们还可以生成有价值的数据，用于持续改进和可追溯性，与工业 4.0 和智能工厂计划保持一致。

　　虽然 AI 视觉系统在许多制造检测任务中表现非常出色，例如表面缺陷检测、存在/不存在检查或零件定位，但它们并不是通用的解决方案。涉及精确计量、细微缺陷渐变或多层组件的高度复杂任务可能仍需要定制的视觉设置、高级成像（如热成像、高光谱成像或 3D）或精心设计的照明和光学元件。

　　如果训练数据不足或范围太窄，AI 视觉系统也会遇到困难，从而导致误报或遗漏缺陷。为了避免 AI 视觉系统出现这些问题，制造商应该以平衡的观点来看待这些问题，认识到 AI 是一种强大的低成本工具，可以满足许多视觉检测需求，但尚不能在所有用例中完全替代传统系统。

　　*本文作者Jim Wilmot 是西门子公司 Simatic、软件和运动控制产品经理。