製造およびオートメーションのアプリケーションに最新の AI テクノロジーを選択する方法

#人工知能 (AI) の定義は、産業オートメーション分野の生産現場や研究室外の日常生活において大きく異なります。

「人工知能」とは、マシン ビジョン、コンピューター ビジョン、機械学習、ディープ ラーニングなど、いくつかの異なる技術および工学分野を含む科学を指します。このテクノロジーの組み合わせに基づくシステムが適切に設計されると (アプリケーション分析から最終検証まで)、工場に多大な価値を加えることができます。

製造業における人工知能の台頭

スタンフォード大学のコンピューターサイエンス教授であるジョン・マッカーシーは、「人工知能の父」として知られています。人工知能は、「インテリジェントな機械、特にインテリジェントなコンピューター プログラムを作成する科学と工学」と定義できます。コンピューターを使用して人間の同様のタスクを理解することですが、人工知能は生物学的に認識可能な方法に限定される必要はありません。

この場合、人工知能はさまざまな業界のメーカーに、マシン ビジョン システムの自動検査のための貴重なツールを提供できます。人工知能の中には、機械学習と深層学習のサブセットがあります。機械学習は、機械がさまざまなタスクを改善するために「学習」できる技術を使用します。そのような技術の 1 つは、畳み込みニューラル ネットワークなどの人工ニューラル ネットワークを使用して人間の脳の学習プロセスをシミュレートする深層学習です。

機械学習のサブセットであるディープ ラーニング、および機械学習は、長期にわたるモデルの継続的な分析から「学習」できる機能があるため、産業オートメーションの分野で人気が高まっています。ディープラーニングのプロセスはデータから始まります。たとえば、マシン ビジョンによる製品の欠陥の発見を支援するために、メーカーは、「良好な」画像とともに、検出する必要がある欠陥や特徴を説明する画像をアップロードして予備データ セットを作成します。深層学習は、予備データセットのラベル付け、元のデータセットのテスト画像を使用したモデルのトレーニングと結果の検証、実稼働環境でのパフォーマンスのテスト、新しいケースや機能をカバーするための再トレーニングによって共同で行われます。

すべての要素を考慮し、適切な手順に従うと、ソフトウェアは、欠陥検出、機能分類、アセンブリ検証などの深層学習ツールを新規または既存の自動検査システムに実装する際に価値をもたらします。具体的には、このソフトウェアは、欠陥検出、機能分類、検証検証などのタスクなど、多くのアプリケーションで価値を提供します。 AI テクノロジーは、手動検査が必要となる主観的な検査の決定に役立ちます。 AI テクノロジは、特定の機能を識別することが困難な高度な複雑性または変動性を持つシナリオを識別するのに役立ちます。

強化されたマシン ビジョン システム

アプリケーションへの人工知能の適用は、すべてのアプリケーションに利益をもたらすわけではなく、独立したテクノロジでもありません。むしろ、AI テクノロジーは、いくつかの異なる業界に導入できる自動検査ツールボックスの強力なツールであり、メーカーがソリューションを選択する際にさまざまな選択肢を提供します。 PyTorch や TensorFlow などのフレームワークを使用して社内でソリューションをコーディングしたり、既製のソリューションを購入したり、アプリケーション固有の AI 対応製品やシステムを選択したりできます。

市場には、エンドユーザーが特定のアプリケーションに縛られることなく独自のモデルを構築できる既製の AI ソリューションがいくつかあります。たとえば、ElementaryのQAプラットフォームは、イメージングヘッドと、問題を特定し、継続的に改善し、さまざまな製造プロセスの新しい機能を解放するように設計された高度な分析を備えた機械学習ソフトウェアを備えた、同社が「フルスタックビジョンシステム」と呼ぶものを提供します。このシステムは、バーコード読み取りや光学式文字認識などの従来のマシン ビジョン ツールと機械学習機能を組み合わせて、システムに外部検査機能を追加します。全体として、このシステムは追加の検出機能を提供します。

マイク ブルチャンスキー氏は次のように述べています。「人工知能は魔法ではなく、すべてを行うことはできませんが、自動検出システムに強力な新機能を追加できます。異常検出 - 穀物の中から明らかな塊を見つけるなど - 「これは、品質管理のためにマシン ビジョン システムと連携して動作できる、機械学習ベースのビジョン ツールの明確な例です」とブリュシャンスキー氏は、初級ビジョン システムの一般的な検査アプリケーションには、消費者向けパッケージ製品 (ラベル、キャップ、付属品を含む)、医療品などが含まれると述べました。デバイス、自動車部品とアセンブリ、食品および飲料製品 (多くの場合、独自のアセンブリ検査バージョンが含まれる)。

彼は次のように述べています。「たとえば、包装済みの朝食用サンドイッチの検査では、チーズが正しい場所にないのか、まったくないのかをソフトウェアが理解できるパターンを構築するのは困難です。しかし、当社の機械学習ツールを使用すると、ビジョン システムは積み重ねられたサンドイッチを見て迅速な意思決定を行うことができます。当社のプラットフォームは、医療機器の組み立て検査でも同様のアプローチを提供すると同時に、規制ラベルの識別から溶接部のへこみの検査まで、さまざまな自動車検査も実行します。隙間や亀裂。」

ロボットの導入は増加傾向にあります

近年、特定のタスクの合理化と簡素化を目的として、アプリケーションに特化した人工知能製品が数多く登場しています。場合によっては、システム全体を数時間以内に稼働させる必要がある場合もあります。 Rapid Robotics の Rapid Machine Operator (RMO) は、そのようなシステムの代表的な例です。各 RMO は一般的な機械オペレーターのタスクを処理できるように設計されており、6 軸ロボット アーム、3D 深度センサー、グリッパー、エッジ コンピューティングおよび人工知能処理用のコントロール ボックスが含まれています。同社によれば、rmoには事前トレーニングされた人工知能アルゴリズムが搭載されているという。

RapidRobotics の製品担当副社長、Juan Aparicio 氏は次のように述べています。「各 RMO は、顧客固有の生産要件を満たすように設計されています。これらのモジュール式ワークセルにより、メーカーは迅速、コスト効率よく、低リスクで自動化を拡張できます。」 」

アパリシオ氏は、人工知能の進歩により、ロボット自動化の導入がこれまでよりも簡単かつ効率的になっていると述べました。

「私たちの分野において、AI の最も重要な価値提案の 1 つは、自動化に向けた人材の多様性です。よく言われるのは、自動化が米国の製造業に浸透しているということです。私たちの仕事を通じて、これが確かに重要であることがわかりました。 「研究者を驚かせたことに、仕事の未来に関する最近の MIT の報告書では、中小規模の製造業者にはロボットがほとんど存在していないことが判明しました。」

## 彼は付け加えました。 #Aparicio 氏は、品質検査、自律移動ロボット、組み立て、ジェネレーティブ デザインなど、AI ベースのロボット導入の機会は数多くあると述べました。

ロボット工学の分野では、Photoneo は自動化ソリューションに人工知能手法を使用して、混合タイプのアイテムを識別、選択、分類しています。同社は、大規模なオブジェクト データセットでトレーニングされた CNN を使用して、さまざまな形状、サイズ、色、素材のアイテムを識別します。ソフトウェアは、これまでに見たことのないオブジェクトに遭遇した場合、以前に遭遇した、または訓練された類似のオブジェクトに基づいてオブジェクトを識別し、分類できます。さらに、顧客がモデルのパフォーマンス低下の原因となる可能性のある異常やカスタマイズ項目を特定する必要がある場合、ソフトウェアを特定のデータセットでトレーニングすることができます。

Photoneo PR スペシャリストの Andrea Pufflerova 氏は、「顧客は、さまざまな形、サイズ、色、素材のアイテムを識別、ピッキング、仕分けできるロボットアイテムピッキングシステムを必要とすることがよくあります。」と述べました。人工知能をそのようなソリューションに統合することで、顧客は、果物や魚などの有機製品を含む混合オブジェクトタイプをローカライズして処理できます。さらに、「これには、柔軟性があり、変形しやすく、しわや凹凸が多いバッグなど、識別が困難な品物も含まれる可能性があります。

包括的なカスタム ソリューション

自社の業務に AI ソフトウェアの導入を検討している企業は、さらに一歩進んで、Prolucid のような企業にデータ収集とラベル付けのサポートを含むカスタム機械学習モデルを構築および統合させることができます。

Prolucid CEO の Darcy Bachert 氏は次のように説明しています。原子力や医療を含む製造業の顧客。 「私たちの典型的なアプローチは、コンピュータ ビジョンやその他の既存のツールを使用して、可能な限り簡単な方法で問題を解決することです。これらが適切ではないアプリケーションに遭遇した場合、AI を選択肢として検討し、異常検出や機能分類などの特定のユースケースに適合する既製のモデルを探すことから始めます。 Bachert 氏は、関連するユースケース向けに設計された事前トレーニング済みモデルを備えた TensorFlow などのオープンソース プラットフォームや Python エコシステム全体が、製造業やその他のアプリケーションにおける人工知能の導入に大きなプラスの影響を与えていると指摘しました。

彼は次のように説明しました。「モデルをゼロから開発するのは非常に時間がかかり、製造業の顧客にとっては現実的ではないことがよくあります。 「ただし、事前トレーニングされたバージョンを利用できれば、初期投資が大幅に簡素化されます。」

製造における人工知能の将来を見据えて

製造における人工知能の将来自動化には、高度な分析を使用して欠陥の傾向を早期に特定し、最終的に欠陥の発生を防ぐことが含まれる場合があります。たとえば、機械学習を使用すると、企業が 1 日の特定の時間帯に欠陥を増やす時期や、プリンターのインクが少なくなって日付コード ラベルが薄れ始める時期を特定できます。 Bruchanski 氏によると、この技術はプロセスの異常を特定し、システムまたはオペレーターにコマンドを送信して調整を行うという。

同氏は次のように述べています。「将来的には、機械学習は欠陥を検出し、エラーの根本にある傾向を特定し、このデータを製造業者に提供することでプロセスの最適化に役立ち、最終的には欠陥のない環境をさらに達成するのに役立ちます。」 "

Pufflerova 氏は、モデルベースのアプローチと AI 駆動型のアプローチを組み合わせたハイブリッド AI モデルの開発は、産業用途の可能性も提供すると考えています。

彼女はこう言いました。「今日では、限られた例のセットで適切に動作するようにシステムをトレーニングするだけでは十分ではないかもしれません。また、その内部表現を理解する必要もあります。従来のブラックボックス機械学習や深層学習では、これに比べて、ハイブリッド人工知能モデルは、より速く、よりシンプルな学習を提供し、より優れた解釈性を提供します。」

アパリシオにとって、労働力の未来を語らずにロボット自動化について語ることは困難です。

同氏は、「人工知能と自動化が人間の役割を時代遅れにする限り、ロボット工学のイノベーションは変化をもたらすだろうが、最終的には人間にとってより多くの機会をもたらすだろう。」「例えば、ロボットの導入は、エンジニアはさまざまな統合プロセスを調整し、ハードウェアとソフトウェアを組み合わせ、信頼性の高いシステムを設計する必要があるため、常に関与する必要があります。」

ソフトウェアがロボットのトレーニングとサポートの主要なツールになるにつれて、これらの役割は拡大する可能性があります。 . IT に統合されています。これらのテクノロジーの進化のスピードを考慮すると、企業は垂直統合ソリューションプロバイダーと提携することを決定し、ベンダーがロボットフリートを管理しながらビジネスの成長に集中できるようにするかもしれません。 Bachert氏は、このシナリオではロボットの労働力が分散チームから集中型のアプローチに移行し、サービスとしてのロボティクス企業が規模の経済と集中型トレーニングを活用できるようになると説明した。

AI の急速な導入を妨げる障壁を克服することに関して、バシェット氏は、AI は産業オートメーションに使用できる単なるツールの 1 つであると結論付けました。しかし、同氏は、「オープンソース コミュニティが成長を続け、より多くの事前トレーニング済みモデルが利用可能になるにつれて、これらのテクノロジを現実世界のアプリケーションに導入する障壁は低くなります。この採用には、エンド カスタマーが社内でのトレーニングに投資する必要があるでしょう」と警告しています。人工知能は、単純なコンピュータ ビジョンや検査アプリケーションには常に存在するとは限らない、非常に独特な課題を提示するためです。