每个人都说人工智能将使机器视觉和电动汽车质量检测“变得更好”，而且会如此。

每个人都说人工智能将使机器视觉和电动汽车质量检测“变得更好”，而且会如此。但还有其他事情会产生更大的影响。

虽然人工智能在电池生产和电动汽车组装过程中的质量控制肯定很有帮助，但人工智能并不是改善检测结果的唯一方法。

也许您已经注意到，在电动汽车电池展或自动化等行业活动中展示的机器视觉系统本质上比几年前在生产环境中安装的系统更智能、更快、更准确。也许你或与你交谈的人将快速的性能提升归功于在这些视觉系统中注入人工智能 （AI）。但是，如果你问我是什么让汽车行业的机器视觉系统和质量检测结果比五年前“好得多”，我会告诉你人工智能只是其中的一部分。

真正有所作为的是......

- 用于控制机器视觉系统（或它们所引导的机器人）的软件的简单性。当我们谈论深度学习软件对机器视觉的影响时，它通常是在“智能”的背景下。但它也使人们更容易对检查或生产过程进行调整，以便根据需要进行改进以获得更好的结果。这也使他们能够更轻松地快速调查已识别的问题，并根据需要进行干预以纠正它。

例如，不是深度学习使机器人、自动化和机器视觉工程师能够轻松设计和设置系统、选择或更换适当的硬件、设计新的检测流程或对机器人的路径进行编程。这是汽车行业领导者的决定，即在生产和检测过程中端到端使用来自单一供应商的单一软件套件。

当然，深度学习 （AI） 确实使过程工程师和数据分析师更容易分析检测数据，以识别趋势、改进检测过程并减少缺陷。在人工智能的协助下，数据质量和自动分析有助于人们了解他们需要干预的位置和方式。此外，一旦工程师设置了机器学习/深度学习算法来开始训练系统并且训练完成，系统在每次检查时自然会表现得更好，并且可能会减少对人工检查员干预的需求。（通过深度学习，机器视觉的功能得到了极大的扩展。

然而，对于需要帮助了解何时以及如何校准相机、必须对机器人和其他连接技术进行日常维护，或者负责解决出现的任何问题的人来说，将整个机器视觉系统和生产环境连接在一起的单一软件平台可以更轻松地保持工作正常。

如果您试图扩大电动汽车生产线以增加产量，改造可燃发动机汽车生产线以支持电动汽车生产，或者装备一个全新的电动汽车生产设施，那么拥有一个与硬件无关的软件平台，新员工可以学习如何配置，这几乎比拥有“人工智能”软件更有价值。

- （人工智能驱动的）软件与不同硬件组件（无论是来自同一供应商还是不同供应商）或不同类型的系统（如机器人）的互操作性。我听说的许多机器视觉的“糟糕经历”或挫败感都源于某人决定将来自多个供应商的硬件和软件拼凑在一起。其中大部分是由于兼容性问题，最终要求制造商购买和管理多个系统，然后弄清楚如何使它们与所有其他系统一起工作。我经常听到机器视觉变得多么复杂。当我提出更多问题时，我意识到有很多专有或“同类最佳”技术拼凑在一起，并且存在阻碍流程效率、结果准确性等的断开连接或变通方法。

- 设计、构建、集成和帮助您扩展机器视觉系统的人员。即使来自不同机器视觉和机器人公司的技术组件可以在技术上协同工作，负责帮助您实施和维护该技术的人能否很好地协同工作？我听说过一些汽车制造商的恐怖故事，每当需要修复或调整以支持新应用时，他们都会从一家公司跳到另一家公司。

它赋予了“一个电话，仅此而已”这句老话的分量。有一个供应商或一个人，你可以打电话帮忙做任何事情，任何事情都可以大大有助于使机器视觉系统更好地工作。他们可以将合适的人带到谈判桌前来解决任何问题，或者根据您的需要制定最佳系统进行扩展。当您有问题或抱负时，他们还可以全面查看您的系统，并就您应该做什么或不应该做什么提供更好的建议。

- 机器视觉“系统”的灵活性和可扩展性。 在这里，值得重申的是，真正定义机器视觉系统能做多少事情以及做起来有多容易的是软件，而不是硬件。更换相机或 3D 轮廓器需要几分钟时间，而且大多数硬件都与软件无关，因此在需要添加更多功能、更改应用程序或升级到更新技术时没有问题。因此，当人们说“机器视觉越来越好”时，很多时候是因为他们选择了单一的软件平台作为系统的基础，然后采购完成检测所需的各种 2D 相机、3D 轮廓仪/传感器和机器人组件。

它们没有被归类为我所说的容器系统——机器视觉技术提供商决定将其打包并作为开箱即用的“解决方案”出售的一组组件。他们只需从一个足够灵活的软件平台开始，就可以做任何他们想做的事，因为它与生产过程中的机器视觉质量检测或机器视觉引导的机器人流程有关。然后他们钉在硬件上。

事实上，目前在机器视觉系统性能和支持检测流程方面进步最大的汽车制造商是那些选择为每个新系统“构建”采购正确组件（和不同组件）的汽车制造商。他们使用2D相机进行某些检查，使用3D轮廓仪进行其他检查，然后使用相同的软件来处理和分析来自所有硬件的数据。如果他们需要将 3D 传感器换成 2D 相机，或者在扩展基础设施或从可燃汽车到混合动力汽车再到全电动汽车生产时增加十几个检查点，他们不必拆除和更换整个系统。他们可以对硬件进行增量更改，而无需在全新的软件套件上推出和重新培训他们的团队。他们的团队只需学习和使用一种设计工具一次，并从一个软件平台开发每个应用程序，无论随着时间的推移插入了多少不同的机器视觉或机器人硬件组件。

- 越来越多地使用3D视觉技术，以及正确的3D技术。 如果人工智能不能清楚地了解电池或组装零件的外观，就很难让人工智能承担高效、准确和一致地检查电池和组装电动汽车质量的责任。2D 图像不会帮助您（或“AI”）查看 EV 电池在车辆中的位置或随后的接线连接是否正确。您也无法查看电动汽车中的焊接点是否良好，或者在电池模块组装过程中是否涂抹了足够的胶水。2D相机根本无法捕获确认胶珠厚度或尺寸所需的信息。在这些情况下，以及许多其他情况下，您将需要使用激光三角测量的 3D 技术来分析深度并了解组件周围的事物。

此外，如果您只给机器视觉系统一张 2D 图片供查看，那么一旦涂上胶水，机器视觉系统的“内部 AI”将无法确认电池单元是否正确堆叠在电池模块内。那些可以肯定地说电池组对齐良好的人是那些使用 3D 轮廓传感器来为 AI 的评估提供信息的人。

3D 视觉技术改善电动汽车电池和其他金属电动汽车部件检测的另一种方式是解决 2D 技术捕获高反射和单色表面的问题。有些检查根本无法使用 2D 相机（无论是否是 AI）准确完成。

需要注意的是：并非所有3D传感器都以相同的方式工作或提供相同的结果，在3D的软硬件配对方面有一些特殊的考虑因素。例如，对于电动汽车电池或电动汽车装配检测，建议使用激光三角测量的 3D 技术，而不是其他类型的 3D 轮廓仪。当使用人工智能时，一些3D技术也能更好地工作。所以，再说一遍，不要以为使用3D技术会自动获得最佳结果。您可以查看有关 3D 视觉技术的更入门知识，以便在与技术提供商和系统集成商会面时提出正确的问题。

换言之

人工智能是当今机器视觉系统如此迅速地变得更好的部分原因。他们的性能提升也不是渐进式的。我不是在谈论技术的标准代际改进。我说的是每次检查的重大改进;性能差异是在数小时和数天内实现的，而不是数年和数十年。

事实上，我和我的 Zebra 同事为汽车制造商和供应商构建的机器视觉解决方案在很大程度上依赖于机器学习（特别是深度学习）工具，使自动检测成为可能，并且通过/失败决策值得信赖。它是机器视觉软件中的深度学习机制，使“系统”能够适应新型缺陷，更好地完成工作，快速学习和支持新的应用。它可以帮助您（作为人类）不断提高检查质量。

我的意思是，我和我的团队现在正在汽车工厂设计、培训、实施和监督的基于深度学习的机器视觉系统，当被要求“找出这张图片的问题”时，它们都取得了非凡的结果。他们能够即时、一致地发现数十种不同的缺陷，验证零件的对齐情况，检测组件的存在与否，识别表面损坏，并在几毫秒内检查零件编号的正确性。他们正在分析微小的细节，进行精确的测量，并标记凹痕、划痕、黑点、涂层缝隙等。他们正在发现人眼没有经过微调的特定模式或校准标记，也无法进行训练来识别。这是非常了不起的。

但是，如果您是电动汽车供应商或制造商，必须大幅快速地扩大规模，并将质量和安全放在首位，您就不能仅仅依靠人工智能来提高检测过程的速度和准确性。

你必须强烈考虑......

您是否需要使用更多的 3D 视觉以及哪种类型的 3D 技术最好。

该软件的整体简单性，可以学习、使用并与您的硬件和其他系统同步。

无论您是否真的从引入这么多不同的软件和硬件组件（以及供应商）中获益，或者您是否最好简化。

您将能够依靠谁来帮助您根据需要扩展或调整系统（因为这可能是一个反复出现的需求）。

您是否能够使用相同的机器系统进行渐进式更改，或者每次需要机器视觉用于新应用或新生产线时，是否都需要进行彻底的拆卸和更换或复杂的“螺栓连接”工作。

正是这些东西真正使机器视觉系统“变得更好”，也使汽车行业的质量检测结果变得更好。它正在围绕这些考虑因素做出正确的决策，这将使您更容易在不影响质量或安全性的情况下扩大电动汽车电池或电动汽车组装的生产......而不仅仅是将人工智能“添加到机器视觉系统中”。