机器学习为制造业中的机器人检查提供动力的愿景:一篇评论

科学领域:

• 机器人和自动化 机器人和自动化
• 人工智能的人工智能
• 制造业 工程 制造工程

背景情况:

• 智能制造利用机器学习 (ML) 来加强质量控制 (QC).
• 机器人检查系统越来越多地采用机器人驱动视觉来实现自动缺陷检测和流程优化.
• 当前制造业的质量控制实践正随着先进的视觉技术而发展.

研究的目的:

• 审查当前在制造业中机器人检查的最先进的机器学习驱动视野.
• 确定这些系统在各个工业部门的技术可行性和性能.
• 分析阻碍在制造业QC中广泛部署ML视觉的挑战和障碍.

主要方法:

• 一个全面的文献评论,对汽车,航空航天,装配和一般制造业的50多项研究进行了综述.
• 分析ML视觉系统架构,包括卷积神经网络 (CNN),YOLO变体和传统ML模型.
• 在审查的研究中报告的缺陷检测和分类准确性的评估.

主要成果:

• 基于机器学习的视觉技术可用于机器人检查,其准确率很高 (在受控设置中经常>95%,高达100%).
• 通常使用的ML视觉模型包括定制的CNN,YOLO变体和传统的ML方法.
• 存在很大的障碍,77%的实施仍处于原型或试点规模.

结论:

• 机器学习驱动的视觉显示了通过精确,自动化检查来彻底改变制造质量控制的巨大潜力.
• 需要解决系统部署的挑战,使这些先进技术从试点阶段过渡到全面的工业应用.
• 未来的研究应该专注于克服这些障碍,以便在机器人检查系统中更广泛地采用ML视觉.