随着科技的飞速发展，人工智能（AI）技术在各个领域的应用越来越广泛，其中制造业是AI技术的重要应用领域之一。AI技术为制造业带来了前所未有的变革，从生产线优化到质量检测与控制，从供应链管理到个性化定制与生产，人工智能正在重塑制造业的未来。
本文为e-works原创投稿文章，作者：深圳创维-RGB电子有限公司制造总部智能设备部彭庆雄。
人工智能近年迎来爆发式的增长，究其原因，主要在于日趋成熟的物联网、大数据、云计算等技术。物联网使得大量数据能够被实时获取，大数据为深度学习提供了数据资源及算法支撑，云计算则为人工智能提供了灵活的计算资源。这些技术的有机结合，驱动着人工智能技术不断发展，并取得实质性进展。本文将探讨AI在彩电制造业中几个应用场景及后续探索新AI应用启发借鉴，并针对应用案例分析如何助力企业降本增效提质。
1
浅谈AI深度学习简要思想
1.1 / AI深度学习与传统机器学习的区别
传统机器学习是基于已提炼出基础特征类的图像处理技术，如颜色、轮廓、纹理、亮度、深度、方向等，这种方式不需要收集大量数据样本即可实现较高准确率，属于先验知识处理技术，在视觉定位、字符识别、缺陷检测等方向都有应用。深度学习具备通过大量数据样本中提炼复杂特征的能力，应用中配合数据标注，大算力训练可实现传统机器学习无法处理的场景。如人脸识别、视频分析、目标检测、图像分类等方向都有用。
1.2 / AI深度学习解决生产痛点问题
深度学习AI模型通过模仿大脑神经网络的多层结构，从图像数据中逐层获取不同层级的各种特征信息，实现图像分类、目标检测、实例分割等。深度神经网络由更多层次组成，每一层将输入数据转换为更抽象的表示（例如边缘->鼻子->脸）。输出层通过结合这些特征进行预测。深度学习主要观点，多隐层的人工神经网络具有优异的特征学习能力，学习得到的特征对数据有更本质的刻画，从而有利于可视化或分类，将错误率从26%降低到了15%，并且输入没有用到其他任何人工特征，仅仅是图像的像素。
AI智能检测训练过程，针对视觉系统自动拍摄的产品图像，采用基于深度学习目标检测的方式实现缺陷的自动检出与分类，模型的训练，将基于人工标注的缺陷样本，通过不断的迭代更新网络结构参数，实现缺陷的自动定位与分类。
图1 AI智能检测模型工作流程
图2 AI模型通过模仿大脑神经网络的多层结构示意应用AI深度学习，可以解决传统视觉无法做到的视频分析、图像分类等场景，可批量应用于彩电制造机芯、模组、整机等各工序，包括涂底涂剂、玻璃撕膜、放膜片等人工作业无法实时有效管控问题，通过AI智能学习，形成统一的管控平台，带来工艺管控的变革，做到生产作业质量有序可控可追溯，一次性做对、做好。
2
AI在彩电制造应用案例分析
2.1 / AI智能动作侦测应用案例
随着监控技术的革新，AI摄像头的引入以及AI智能动作侦测的应用改变了传统摄像头人工监控判断的模式。借助计算机视觉技术和深度学习算法，用AI替代人工实现全自动监控判断，通过对监控视频图像的智能分析，实时捕捉特定目标、提取需求属性、识别违规现象，做到事前预警、事中管控、事后取证。
图3 传统摄像头与AI摄像头区别
图4 AI智能动作侦测布置图为确保AI智能动作侦测技术的准确性和可靠性，公司设定了严格的识别准确率要求。上线运行时，所有标注特征点（模型标注训练的特征）需要在100次识别测试中，能正确识别95次以上（目标对象清晰可见非遮挡情况下识别）。此外，基于单点位智能监控技术架构，当人员作业时，AI摄像头启动监控侦测，一旦侦测到异常情况，有对应的语音提醒，确保作业人员及时获得警示，并且系统还可发送NG信号给传送到等设备，使线体停止运行。不仅如此，系统还支持本地查询异常信息日志文档，并保留相关的异常图片。
图5 AI智能动作侦测边缘端硬件配置🟦 应用案例1：彩电背板涂底涂剂作业AI智能动作侦测
彩电背板底涂剂的主要作用在于提高涂层附着力。在表面涂装之前，底涂剂可以先被涂刷在表面上形成一层薄膜，以提高后续涂层的附着力。通过底涂剂的使用，可以有效解决涂装后发生脱落等问题，底涂剂可以为表面提供额外的保护层，以提供更好的防腐耐久性和耐用性。然而，电视背板需要涂3边底涂剂，人工涂容易出现漏涂，很难通过常规检测识别漏涂问题。
可以通过视频分析技术，特别是人工智能动作侦测功能来监控涂胶作业的全过程。具体来说，人工涂胶作业，需要监控涂胶动作3边各2次涂底涂剂动作，通过标注4个顶点位置，并设定涂胶动作的规范路径（Point1→Point2→Point1→Point3→Point4→Point3→Point1），系统将实时分析工人的涂胶动作，来判断涂胶是否到位。通过识别动作是否按照工艺作业到位，属于视频分析中的运动轨迹分析。此类适合导入AI智能动作侦测进行监控，发现人工未按规范涂底涂剂则实时报警，符合规范则通过放行。
图6 AI智能动作侦测人工涂底涂剂作业
图7 AI智能动作侦测人工涂底涂剂作业边缘端人机交互界面🟦 应用案例2：玻璃撕膜AI智能动作侦测
保护液晶电视的玻璃膜若未在流入下一道工位前被正确撕除，将极大增加后续操作的难度，可能导致组装后膜很难撕去，进而引发质量问题并需要返工。
为了解决工作人员是否将液晶电视玻璃保护膜撕除的问题，设定三个步骤。首先，设定TearStart撕膜起始动作，标志着撕膜过程的开始；接着，Tearing表示撕膜过程动作，确保保护膜被逐步、均匀地撕除；最后，TearingEnd撕膜结束，确保保护膜已完全移除。撕膜动作具有明显特征，适合导入AI智能进行监控，当检测玻璃未撕膜则实时监控报警，撕膜完方可流入下一道工位。
图8 AI智能动作侦测玻璃撕膜作业🟦 应用案例3：人工作业放膜片AI智能动作侦测
模组生产放扩散板、放膜片等关键工序，存在员工作业膜片多放或少放、放错顺序等产品质量异常现象。
通过引入AI智能侦测技术，结合训练平台及推理平台的模型训练，精准识别员工的作业行为，并与预设的规范动作顺序进行比对，确保产线员工严格按规范动作顺序进行作业。一旦检测到员工未按规范作业，则实时报警，有效防止人员作业不规范引起的错漏放膜片质量问题。
图9 AI智能动作侦测人工放膜片作业🟦 应用案例4：产线人员在岗实绩采集系统
通过引入员工在岗实绩采集系统，实时捕捉产线上各工位在岗人员信息，判断人员与工位适配情况，了解实际排班情况，实现合理人员配置。根据生产现场实际情况，人脸识别设备选择如下两种：
①人脸识别用平板→用于环境复杂、遮挡物较多、空间狭窄工位的近距离识别；
②人脸识别用摄像头→用于视野开阔、人员流动性较大的远距离识别。
生产过程中实时准确地制造信息能够帮助管理者了解生产情况以及综合效率，同时还可以满足对生产过程人员的管控需求，从而掌握企业的生产节拍，并根据数据辅助企业管理者进行智能决策。该系统通过AI人脸识别实现人员准确高效管理，不仅实现了自动无感的作业人员信息采集，而且通过产品与作业员的绑定，实现了高效的品质溯源。结合录像及现场照片，能够复盘现场复杂的实际情况。通过AI摄像自动采集或分析出的结构化数据，建立现场管理看板，实现对生产现场和人员的全面管理，保障车间生产安全、提升人员生产效率、满足车间管理透明化的需求。
图10 员工在岗实绩采集系统方案图2.2 / AI深度学习+传统算法应用案例
传统算法视觉可以对不需要收集大量数据样本的场景实现较高准确率，但对于目标量大的检测、图像分类等判断传统视觉无法做到，就需要结合应用AI深度学习，学习海量缺陷图片数据，训练出异常检测模型，通过该模型智能提取产品缺陷特征，有效提升工厂质量品质。
AI深度学习+传统算法应用优势，可实现精细化缺陷分类，异常检测模型，通过精准定位缺陷位置及精准缺陷分类，可解决传统算法仅OK/NG粗分类问题，在高检出的同时降低缺陷误判率，将人工看图变为AI判别。同时通过深度学习训练平台定期收集产线生产数据，使AI模型不断增量学习，让设备始终保持高检出、低误判，最终达到节省人力，提高效率的效果。
🟦 应用案例1：AI+SMT AOI应用
SMT AOI原来采用传统的人工复判，存在显著的问题。首先，误判率高、直通率低、需要人员复盘；其次，复判人员多、人力成本高；最后，人工叛图容易过检、漏检。
通过引入AI智能检测，对SMT AOI进行了全面升级。通过人工智能算法，系统能够实现更加精确和快速的SMT缺陷分类，不仅大大提高了检测的准确性和效率，还显著降低了误判率和漏检率，从而助力工厂实现工艺品质的可持续化提升。同时，减少了复判人员的需求，降低了人力成本，使生产更加经济高效。
图11 AI+SMT AOI 替代人工复判示意图
图12 人工智能算法进行缺陷分类🟦 应用案例2：AI+DIP炉后AOI应用
传统机器视觉是基于规则或者简单的算法，能够满足有比较明确特征的检测或测量需求，在处理一致且制造精良的部件时，尚且能可靠运行。但在面对日益增长的缺陷库和不断进步的制造工艺时，传统AOI在缺陷检测方面的局限性逐渐显露，普遍存在两个核心痛点：（1）操作复杂、调试时间长。（2）误判高，需人工大量复判。
基于深度学习技术，依托海量缺陷图片数据训练出深度学习目标检测与异常检测模型，这些模型能够智能提取产品缺陷特征,有效提升工厂工艺品质。深度学习神经网络模型，通过训练海量PCBA缺陷数据，能够兼容焊点的形态变化、自动识别器件/焊点位置与缺陷类型，可解决传统AOI操作复杂、调试时间长、误判过高、人员操作一致性差等问题，达到极少人工复判的效果，帮助工厂节省人力，保障工厂持续正常生产。此外，大数据技术能力，能进一步利用AOI机台数据发挥效用，在此基础上可扩展不良根因分析、过程品质分析等后续应用，打造闭环数据体系，助力工厂可持续化提升工艺品质。
应用效果：
①对AOI操作人员的要求较低，使设备易上手。
②降低品质事故风险，大多的品质事故是由员工过度疲劳造成。
③AI-AOI操作简单、误判低，大幅降低人员工作频次。
④新产品换线时间大幅缩短，仅需10-30分钟，提高了生产效率。
图13 DIP 炉后AOI+AI智能缺陷分类🟦 应用案例3：AI+电视机内观检测
电视机内部构造复杂，零部件多，检测工作面临多重挑战。首先，检测视野范围大，需要覆盖所有关键部件；其次，检测节拍需快速，以满足生产线的效率要求。具体而言，需要检测电视内部装配的零部件是否装配完整，是否存在漏装、错装等质量问题，各种接插件是否插到位，是否存在斜插，插不到位的情况。
为了应对上述挑战，通过深度学习+传统算法相结合的方式对目标缺陷和背景进行区分模型训练，AI自动检测是否插装到位、是否斜插、插座盖是否卡合等质量问题。该检测过程基于深度学习框架，模型准确率高、复用性强，自主可控。AI+电视机内观检测能够覆盖40+种不同部件，兼容性强，可适应多尺寸段机型；在检测效率方面，单产品全流程检测时间控制在10s以内，支持快速换型，机型切换1s内完成，新机型制作时间也缩短至15分钟内，确保生产线的流畅运行；在检测准确性方面，整体漏检率低于1%，过检率低于5%，为产品质量提供了强有力的保障。
图14 电视内观检测部分部件示意图
图15 电视内观检设备图
图16 电视内观检部件明细
图17 电视内观检常规机器视觉算法
图18 电视内观检AI智能缺陷分类3
制造业应如何应对
人工智能（AI）带来的变化探讨
制造业应对人工智能AI带来的变化，主要从以下几个方面探讨。
🔵 加强AI战略规划：制造业应将AI纳入其长期战略规划中，明确AI在企业发展中的角色和地位。这包括确定AI的优先级、投资方向、应用场景等，以确保AI与企业整体战略保持一致。
🔵深化AI技术应用：企业应积极探索AI在各业务领域的应用，如智能制造、智能客服、智能营销等。通过引入AI技术，企业可以提高生产效率、优化客户体验、降低运营成本等。
🔵培养AI人才：企业需要积极培养AI人才，包括AI技术人才、AI应用人才和AI管理人才。通过内部培训、外部招聘和校企合作等方式，构建一支具备AI技术能力和应用能力的团队，以支持企业的AI发展。
🔵加强数据安全和隐私保护：随着AI技术的广泛应用，数据安全和隐私保护问题日益突出。企业应建立完善的数据安全和隐私保护体系，确保用户数据的安全和合规使用。
🔵加强与AI企业的合作：AI企业拥有先进的技术和丰富的应用场景经验。企业可以积极与AI企业开展合作，共同研发新技术、新产品和新应用，以推动企业的AI发展。
🔵持续改进和优化：AI技术是一个不断发展的领域，企业需要持续关注AI技术的最新进展和应用趋势。同时，企业还需要对自身的AI应用进行持续改进和优化，以提高AI技术的效果和效率。
总之，制造业应积极应对AI带来的变化，加强AI战略规划、深化AI技术应用、培养AI人才、创新商业模式、加强数据安全和隐私保护、加强与AI企业的合作以及持续改进和优化，需要不断学习和探索新的AI技术实现可持续发展，这样才能抓住AI带来的机遇，实现制造业生产流程的自动化、智能化和高效化。
4
结 论
应用AI人工智能深度学习，可以解决传统视觉无法做到的视频分析、图像分类等场景，可批量应用于彩电制造机芯、模组、整机等各工序，包括涂底涂剂、玻璃撕膜、放膜片等人工作业无法实时有效管控问题，通过AI智能学习，形成统一的管控平台，复制推广至家电制造业，带来工艺管控的变革，做到事前预警、事中管控、事后取证，让生产有序可控可追溯，一次性做对、做好！
[1] 赫伯特·A.西蒙，人工智能科学(第3版)，中国人民大学出版社，20230301，ISBN13:9787300296210
[2] 巴乌米克·维迪娅（Bhaumik Vaidya）著，顾海燕译，基于GPU加速的计算机视觉，机械工业出版社，2020-04-01，ISBN：9787111651475
[3] 黄培，智能制造实践，清华大学出版社，2021-12-01，ISBN：9787302594215
[4] 蒋明炜，智能制造AI落地制造业之道，机械工业，2022-03-01，书号9787111699316
