中国对标管理网
咨询电话:010-60246627
文章列表
文章附图

中国标杆管理学会企业对标交流中心   企业大数据与管理智能化发展中心企业大数据应用与管理智能化对标交流研修邀请函...

文章附图

近年来,我国的国企集团一直在努力苦苦探索,寻求突破和发展,建立了“产权清晰,权责明确,政企分开,管理科学”的现代企...

文章附图

8月8日,陈泓冰老师受邀于广东电信内部进行《对标管理与绩效提升管理》主题培训。

文章附图

为进一步加强公司对标管理,引导各单位有针对性地开展对标工作,学习全面标杆管理的先进方法,7月2日,公司邀请泓冰标杆...

文章附图

  “对标与赶超是高质量发展的重要手段”,集团公司党委书记、董事长杨照乾在对标管理推进会上如是说。为了全面贯彻对...

日本一线制造企业东芝、武藏精密工业:用AI突破人类视觉极限,持续降低不良品率

2019-07-30 11:30

人工智能(AI)正在改变制造业。

使超越人的识别和控制成为可能的深度学习技术进入了实用阶段。

AI代替人眼检测不良品,在装置坏掉的几天前发现问题的技术,已经进入工厂。

让机器人执行人的动作,替换熟练技工的AI技术也得到了飞速发展。

AI检测不良品 替代人眼的AI

使用人工智能(AI)的高精度画像认知已经广泛投入使用。从事通信电缆和电线业务的日本fujikura公司将AI运用于高功率半导体激光加工的不良品检测中。

人为判定良品/不良品的精确度是95%,而AI可以达成98%的精度。AI还能减少人工作业。

无独有偶,东芝存储器制造厂也将AI运用于NAND闪存制造工序中。在各工序拍摄的SEM(扫描电子显微镜)图像按缺陷种类分类作业中,人工仅能判断49%,而AI可以确切分类83%。

面向汽车齿轮加工的日本武藏精密工业将AI用于机械零部件的不良品判定上。

该公司在斜齿轮(伞齿轮)的生产线上致力于AI检测作业的自动化。用AI代替肉眼进行检查。

不良品率原本就只有0.002%怎么办?

这里存在一个问题,那就是武藏精密工业的不良品率本来就很低,只有0.002%。AI需要学对数据进行学习,但是,像武藏精密那样,用于学习的不良品很少的话,就会产生AI学习所面临的数据不足的问题。

因此,武藏精密工业使用的方法是让AI学习正常状态下的齿轮图像,将偏离的部分判断为不良品的方法。通过该方法,AI可以检测出97.7%的异常产品。

此外,美国谷歌开发的“GoogLeNet”进行转移学习(事先给已学习的AI提供追加数据,重新学习的方法)时,可以检测出81%的不良品。为了将这一技术实际投入生产线,谷歌正在致力于精度的提高。

应用AI不良品检测方法的不仅仅是图像。日本发那科与PFN合作,开发了早期发现机器人故障的技术。该技术运用从正常状态检测异常的方法,可以在约40天前检测出故障。

在这些共同研究成果之上,发那科追加了用AI判断注塑机反流防止阀的磨损状态,并在损坏前告知的功能。

原动力是深度学习深度学习是什么?

使以上应用成为可能的AI技术,是“深度学习”。用一句话概括,深度学习就是超高精度的模式识别技术。

模式识别包含图像识别和声音识别等广泛概念,可以通过从图像中寻找特征要素来判断现状,或者根据数据的模式预测将来。

模式识别之所以能够实现上述用途,是因为拥有从产品的照片中找出不良品特有的画像模式,从显示制造装置状态的传感数据中,读取表示故障征兆的模式。

80年代的AI:像人一样思考

关于AI的实体被叫做模式识别,有的读者也许会觉得怪。

一听到AI,谁都会联想到“思考的机器”,而且,不会把“模式识别”和“思考”联系起来。AI看到图像时,即使正确回答“这是狗”“这是猫”,我们也并不会感觉AI有多聪明。

实际上,曾经的AI是为了“像人一样思考”而被发明出来的。

20世纪80年代兴起的上一代AI热潮中,人们将专家所拥有的知识规律化,教给电脑,并用三段论法等逻辑推理方法来引导出有用的结果。

但是,这种方法很难实现AI的真正应用。这股热潮在20世纪90年代的时候就消退了。

21世纪的AI:用深度学习,超越人类

到了21世纪,深度学习在模式识别的领域获得了超越人类能力的成果。深度学习的热潮起始于2012年。

“用AI判断画像”的国际图像识别竞赛中,使用深度学习的研究小组取得了优异的成绩。而且,随着精度的不断改善。

2015年,AI识别判断的错误率仅为3.6%,甚至低于人类错误率的5%。

深度学习最厉害的是它的应用范围十分广泛,在以语音识别为代表的领域,不仅取得了惊人的成果,还推动了让机器“像人一样思考”的语言处理技术的发展。

现在,外语翻译、提问回答、天气预报、医疗诊断,甚至是专业的作曲和女性化妆建议等领域,都应用了深度学习。打破围棋世界冠军的“Alpha Go”中,也有使用。

在被称为第3次AI浪潮的现在,深度学习成为了AI的代名词。

“思考的机器”到“学习的机器”

目前为止,模式识别的技术有很多种。为什么深度学习能在广泛的用途上发挥出超人的实力呢?实际上,与其他模式识别方法相比,深度学习存在决定性的差异。

过去的模式识别技术是基于人类思考特征后所设计的。例如,如果你想从图像中识别人脸,你会说“眼睛,鼻子”等,技术人员必须考虑在图像中需要什么样的特征才能称之为人的面部,需要反复的摸索。

12.jpg

深度学习则不需要以上尝试。因为电脑会从大量的数据中自己找出特征,而不是使用人们所思考的特征。深度学习之所以能取得惊人的结果,是因为电脑发现的特征比人类所想的,要优秀得多。

电脑提取特征需要用到“学习”处理。如果想识别人脸,首先要准备很多脸的照片和没有脸的照片。然后,反复告诉电脑“这个是脸部的照片,那个不是”。电脑便会随意抽出面部特征。