|
斑馬技術大中華區技術總監 程寧 各行各業的制造商都面臨著諸多方面的挑戰，要雇傭并留住合格員工，要跟上技術創新的步伐，還要滿足客戶對于速度和精準度的更高要求。對于汽車制造業而言，可持續性、運營和供應鏈的數字化、更高的安全要求以及對個性化的需求也成為其首要關注的問題。斑馬技術去年發布的《汽車生態系統愿景研究報告》顯示，73%的受訪行業決策者認為，如果不采用更多的數字化技術，他們的企業將處于競爭劣勢，其中“開發軟件專業知識”被列為決策者的前五大優先投資選項之一。麥肯錫發布的報告也認同這一觀點，稱在機器人技術、AI和機器學習方面的最新發展使我們處于新自動化時代的前沿。 機器視覺作為工業之“眼”，適用于數據采集、識別和檢測等制造流程，隨著中國制造業用工成本的提高，機器視覺成為推動數字經濟時代制造業發展的重要技術；此外，深度學習融入機器視覺算法也將驅動制造業的智能化升級。其中深度學習光學字符識別（OCR）軟件便是一項重要的技術創新。根據斑馬技術的《汽車生態系統愿景研究報告》，汽車OEM（原始設備制造商）決策者認為，對比2022年，預計2027年工業級機器視覺的使用率將增長83%。 深度學習與OCR的結合能夠滿足制造業在合規性、質量和存在性檢測方面對速度、準確度、以及可靠解決方案的需求。汽車、制藥、電子和食品飲料行業的運營領導者通過深度學習OCR獲得的收益更為顯著。 深度學習OCR賦能智能制造 機器視覺和深度學習OCR正在推動智能制造的發展，Gartner將智能制造定義為在工廠內部以及其他供應鏈職能部門之間協調物理和數字化流程的概念，這轉變了人員、流程和技術的運作方式，并提供了可提升決策質量、效率、成本和敏捷性所需的信息。換言之，通過深度學習和OCR實現制造業的自動化，有助于從硬件、軟件和人員方面獲得效益。 但要進行準確的OCR檢驗卻頗具挑戰，風格化的字體，模糊、扭曲或被遮擋的字符，反光的物體表面以及復雜、不均勻的背景，都可能使傳統OCR技術無法實現穩定識別。所幸的是市場上已經有新工具面世，它們具備工業級深度學習OCR功能，并附帶基于數千種不同圖像樣本進行預訓練的即用型神經網絡，這一系列新工具能夠開箱即用，即使在處理非常復雜的情況時也可以確保高準確性。 這意味著在汽車制造環境中，深度學習OCR解決方案可以準確地讀取電池、輪胎、零部件和配件上噴印、壓印、以及啞光和金屬質地的序列號，以確保其與正確車型的車輛識別號（VIN）相對應。這些解決方案還可以應對各種字體樣式和大小，并適用于不斷變化且“嚴苛”的照明及制造環境。 深度學習OCR還可以用作更廣泛的機器視覺解決方案的一部分。例如，在汽車制造環境中，可以通過部署機器視覺解決方案，檢查連接器針腳是否缺失及其質量和合規性是否達標，也可以對印刷電路板上的敷形涂層、粘合劑檢驗、線束組裝、電池極性以及總裝等進行檢驗。 在這些場景中，使用相同的機器視覺相機和統一軟件平臺部署的機器視覺解決方案能夠以更快的速度檢驗物品，標記出疑似缺陷和錯誤供工程師檢查并判定是否為故障，以進一步處理。審查決策將被反饋到神經網絡中，有助于保持持續學習輸入的活躍狀態，從而進一步開發和增強模型。這優化了效率，并為工程師免去了一項重要卻繁瑣的手動任務。 日益增長的深度學習價值 深度學習的速度和準確性使其能夠更好地幫助工程師確保生產制造的質量，控制生產成本并提高客戶滿意度。此外，易用性也同樣重要，而這正是深度學習OCR軟件的優勢所在，它是一種易于實施和使用的應用，無需機器視覺專業知識，只需幾個簡單的步驟即可部署。 總的來說，更易于獲取和使用的機器視覺和深度學習OCR解決方案為工業成像專業人員和工程師解鎖了新的可能性，使他們能夠更像數據科學家一樣思考和行動。面對不斷增長的數據生成速度、數據量和數據多樣性，以及對于生產速度、安全性和準確性等更高水平的要求，我們相信這一技術發展是必要的，也是業界所樂見的。 |
