有了人工智能，工业产线检测从此练就“火眼金睛”

质量跟踪和检测是制造业的必备技能，为了保证最终产品的质量交付和正常运作，质量分析几乎贯穿生产线的各个流程上。当人工智能/机器学习深度应用到生产质检这一场景上，检测效率Up ！

话不多说跟随我们一起来看两个应用案例吧！

01 流程制造企业应用实践案例

某台湾头部综合型企业不锈钢卷材生产流程制造

业务挑战

在生产过程中，钢卷可能会出现各种缺陷（即生锈、划痕等）。原有系统使用过程中，部分缺陷被错误标记，因此需要熟练的质检人员人工识别缺陷类型。

诉求点

需要一个更有效的解决方案来帮助企业准确识别缺陷类型并最大限度地减少完成缺陷根原因分析所需的时间。

解决方案

亚马逊云科技的专业服务团队建立了一个基于 Amazon SageMaker 的图像识别 ML 解决方案，以自动识别缺陷位置、准确地对缺陷类型进行分类并分配置信水平。

亚马逊云科技的专业服务团队同时开发了专属的图像算法来克服由于图像噪声（即水印、反射等）而遇到的检测精度障碍。

阶段性成果

■ 缺陷分类的速度和准确性显着提高。

■通过置信度分配，质检人员只需要重点关注被机器模型标记为低置信度的缺陷，以此节省时间并提高工作效率。

■自动扩展其机器学习模型以涵盖其他缺陷类型

02离散制造企业应用实践案例

某汽车电子公司生产压装 离散制造

业务目标和挑战

检测出存在以下两种质量问题的压装产品，高效及时地给出压装产品地质量检测结果, 减低人工检测成本。

企业采用人工线下检测存在的两大挑战 ：

■ 压装产品较多，人工检测的成本较大

■ 人工检测不及时，效率低下

解决方案

亚马逊云科技与其合作伙伴一起为该机器学习项目立项，输出了一套ML 项目开发流程方法论，涵盖了业务需求探索-数据准备-数据获取-模型构建和迭代、模型部署、相应的业务决策和行动。

使用Amazon SageMaker 读取产品压装数据，结合业务对数据进行处理，获取建模需要的的各个字段，在Amazon SageMaker 中尝试构建好坏品分类模型，进而利用模型，基于未来产品的压装数据预测出产品压装结果。进而使用Amazon Lambda实现实时自动化持续预测和生产监控。

阶段性成果

■ 实现了自动化预测，大大降低了手工检测的成本，提高了检测效率，业务人员可以直接下载检测 告

■模型准确率达到98% ，坏品召回率 95%，精准的检测结果，提高了生产效率。

如果你要说：就这样？！我的回答是：当然不是！当视觉技术被运用到工业生产检测中科技的应用又再一次 Up ↑如果你要问：哪里去了解？我的回答是：2021 亚马逊云科技中国峰会 – 数智工厂“智能视觉应用”展位，展现电子产品制造场景和晶圆制造场景中的智能视觉应用。

如果你又要说：就这些？我的回答又双叒叕是：当然不够！超200平米展区将全景式展现数智工厂的云上应用。

这些与工业生产息息相关的应用场景，全部基于亚马逊云科技服务构建和实现，更多解决方案请来现场亲自见识深度感受吧！

https://mini.awsapp.cn/index.html#/pages/regist/regist?tmpId=71

复制链接或保存并扫描下方太阳码即刻 名

★2021亚马逊云科技中国峰会将于7~9月分别亮相于中国上海、北京、深圳三大城市！

★携手众多业内领先的技术践行者们一起同你分享“云时代的构建故事与重塑经验”。

★保存图片，打开微信即可扫码加入！快快 名吧！