在工业自动化领域的生产和实验室之外的日常生活中，人工智能(AI)的定义差异很大。
“人工智能”指的是一门包含了几种不同技术和工程学科的科学，包括机器视觉、计算机视觉、机器学习和深度学习。当一个基于这些技术组合的系统设计得当时(从应用分析到最终验证)，它可以为工厂增加巨大的价值。
人工智能在制造业的兴起
被称为“人工智能之父”的斯坦福大学计算机科学教授JohnMcCarthy)表示，人工智能可以被定义为“制造智能机器，特别是智能计算机程序的科学和工程。它与使用计算机了解人类智能的类似任务有关，但人工智能不必局限于生物学上可观察到的方法。”
在这种情况下，人工智能可以为不同行业的制造商提供机器视觉系统自动化检测的有价值的工具。在人工智能中有机器学习和深度学习的子集。机器学习使用使机器能够“学习”以提高不同任务的技术。其中一种技术是深度学习，它使用人工神经网络，例如卷积神经网络，模拟人脑的学习过程。
作为机器学习的一个子集，深度学习以及机器学习在工业自动化领域已经变得流行，因为它能够随着时间的推移从模型的持续分析中“学习”。深度学习的过程始于数据。例如，为了帮助机器视觉发现产品缺陷，制造商将通过上传描述缺陷或特征的图像来创建一个初始数据集，这些图像必须与“好”图像一起被检测出来。通过协作标记初始数据集，训练模型并使用原始数据集的测试图像验证结果，测试生产中的性能，并重新训练以覆盖新的案例、特征或缺陷，深度学习就随之而来了。
当考虑了所有因素并遵循了适当的步骤，将深度学习工具实现到新的或现有的自动化检测系统中时，该软件在许多应用程序中提供了价值，包括缺陷检测、特征分类和装配验证等任务。具体来说，这些人工智能技术可以帮助进行主观检查决策，否则就需要进行人工检查。人工智能还可以帮助检查由于高度复杂性或可变性而难以识别特定特征的场景。
增强机器视觉系统
并不是每个应用程序都受益于人工智能，而且它不是独立的技术。与其相反，人工智能技术代表了自动化检测工具箱的强大工具，可以部署在几个不同的行业，在选择解决方案时，制造商有多种选择。他们可以使用PyTorch或TensorFlow等框架在内部编写解决方案，购买现成的解决方案，或者选择特定于应用程序的支持人工智能的产品或系统。
市场上有几个现成的人工智能解决方案，允许最终用户构建自己的模型，而不绑定到特定的应用程序。例如，Elementary的QA平台提供了该公司所谓的“全堆栈视觉系统”，该系统具有摄像头和机器学习软件，具有先进的分析功能，旨在识别问题，持续改进，并解锁对各种制造流程的新见解。该系统结合了传统的机器视觉工具，如条形码读取和光学字符识别以及机器学习功能，为系统添加额外的检测功能。
产品副总裁MikeBruchanski表示:“人工智能不是魔法，它不能做所有事情，但它可以为自动检测系统添加强大的新功能。异常检测——比如在谷物中找到一片透明的塑料——是一个基于机器学习的视觉工具的明确例子，它可以与机器视觉系统协同工作，进行质量控制。”
布鲁尚斯基表示，Elementary视觉系统的常见检测应用包括消费品包装(包括标签、帽子和配套)、医疗设备、汽车零部件和装配以及食品和饮料产品(通常涉及独特的装配检测版本)。
他说:“例如，在预先包装的早餐三明治检查中，很难建立一种模式，让软件了解奶酪是否不在正确的位置或根本没有，但我们的机器学习工具允许视觉系统查看堆叠的三明治，以快速做出判断。我们的平台在医疗设备组装检查中提供了类似的方法，同时还执行一系列汽车检查，从监管标签识别到检查焊缝的凹坑、空洞或裂缝。”
机器人的采用正在上升
近年来出现了一些特定于应用程序的人工智能产品，其目标是精简和简化某些任务。在某些情况下，这可能涉及到在数小时内启动并运行的整个系统。快速机器人公司的快速机器操作员(RMO)是这种系统的一个主要例子。每个RMO旨在处理常见的机器操作员任务，包括一个6轴机械臂、3D深度传感器、抓手和一个用于边缘计算和人工智能处理的控制盒。据该公司称，rmo配备了预先训练过的人工智能算法。
RapidRobotics产品副总裁JuanAparicio表示:“每个RMO都是为满足客户独特的生产要求而设计的。这些模块化的工作单元可以让制造商快速、低成本、低风险地扩展自动化。”
阿帕里西奥表示，人工智能的进步使机器人自动化比以往任何时候都更容易、更有效地部署。
“在我们的领域，人工智能最重要的价值主张之一是自动化人才的多样化。普遍的说法是，自动化已经渗透到美国制造业。通过我们的工作，我们发现情况肯定不是这样的。”
他补充说:“令研究人员惊讶的是，麻省理工学院最近一份关于未来工作的报告发现，中小型制造商中很少存在机器人。”
Aparicio表示，基于人工智能的机器人部署有很多机会，包括质量检测、自主移动机器人、组装和生成设计。
在机器人领域，Photoneo在其自动化解决方案中使用人工智能方法来识别，挑选和分类混合类型的物品。该公司利用cnn在一个大型对象数据集上进行训练，以识别各种形状、大小、颜色或材料的项目。如果软件遇到一个它以前没有见过的物体，它可以根据之前遇到过或训练过的类似物体来识别和分类该物体。此外，如果客户需要挑选可能导致模型性能下降的异常或自定义项目，则可以在特定的数据集上对软件进行训练。
Photoneo公关专家AndreaPufflerova表示:“客户通常需要一个机器人物品挑选系统，可以识别、挑选和分类各种形状、大小、颜色或材料的物品。“将人工智能集成到这样的解决方案中，使客户能够本地化和处理混合对象类型，包括水果或鱼等有机产品。”
她补充说:“这甚至可能包括那些通常难以识别的物品，比如灵活、易变形、充满褶皱和不规则的袋子。”
全面的定制解决方案
希望在运营中部署人工智能软件的公司可以更进一步，让Prolucid这样的公司构建和集成自定义机器学习模型，包括支持数据收集和标记、模型训练和部署。
Prolucid首席执行官DarcyBachert解释说:“作为一个系统集成商，我们的重点是应用先进的计算机视觉和基于人工智能的模型来帮助复杂的制造检测应用，以及各种非制造业客户，包括核和医疗。”“我们的典型方法是使用计算机视觉或其他现有工具以尽可能简单的方式解决问题。如果我们遇到一个应用程序，这些不太适合，那么我们会把人工智能作为一个选择，并从寻找适合特定用例的现成模型开始，比如异常检测或特征分类。”
Bachert指出，TensorFlow等开源平台对制造业和其他应用中采用人工智能产生了重大的积极影响，这些平台附带了为相关用例设计的预训练模型，以及整个Python生态系统。
他解释说:“从零开始开发一个模型可能非常耗时，这对制造业客户来说往往是不切实际的。”然而，如果可以利用预先训练的版本，那么它就大大简化了初始投资。”
展望制造业人工智能的未来
人工智能在制造业的未来，自动化将可能涉及使用高级分析来早期识别缺陷趋势，并最终防止它们的发生。例如，机器学习可以识别出一家公司在一天中的某些时间内什么时候产生了更多的缺陷，或者什么时候由于打印机墨水不足而导致日期代码标签开始褪色。根据Bruchanski的说法，该技术将识别出进程何时趋于糟糕，并向系统或操作员发送命令进行调整。
他说:“在未来，机器学习可以通过检测缺陷、识别错误根源的趋势来帮助优化流程，并将这些数据提供给制造商，最终帮助他们进一步实现无缺陷的环境。”
Pufflerova认为，结合基于模型和人工智能驱动方法的混合人工智能模型的发展也为工业应用提供了潜力。
她说:“今天训练一个在有限的例子集上工作得相当不错的系统可能还不够——人们还需要理解它的内部表示。与传统的黑盒机器学习或深度学习方法相比，混合人工智能模型提供了更快、更简单的学习，以及更好的解释性。”
对于Aparicio来说，谈论机器人自动化就很难不谈论未来的劳动力。
他说:“就人工智能和自动化使人类角色过时而言，机器人创新将带来变化，但最终将为人类带来更多机会。”“例如，机器人的部署总是需要工程师的参与，因为他们需要协调各种集成流程，混合硬件和软件，并设计一个可靠的系统。”
随着软件成为机器人培训和支持的主要工具，这些角色可能会更多地融入IT。考虑到这些技术的发展速度，企业可能会决定与垂直集成的解决方案提供商合作，让他们更专注于发展业务，而供应商则管理机器人车队。Bachert解释说，在这种情况下，机器人劳动力将从分布式团队转变为集中式方法，使机器人即服务公司能够利用规模经济和集中培训。
当谈到如何克服阻碍人工智能快速应用的障碍时，巴切特总结道，人工智能只是另一种可以用于工业自动化的工具。然而，他警告说，“随着开源社区的持续发展，越来越多的预训练模型可用，这些技术进入现实应用的门槛会降低。这种采用需要最终客户在他们的团队中投资培训，因为人工智能具有非常独特的挑战，而这些挑战并不总是存在于简单的计算机视觉或检测应用程序中。