人工智能的图像分类能力已广泛应用于疾病诊断、自动驾驶、内容审核等领域，非常适合工业质量控制，尤其是自动光学检测（AOI）。传统的AOI方法在系统配置、新产品导入以及后续生产过程中对疑似缺陷区域的图像进行检测时，都严重依赖专家意见。.
人工智能已开始应用于AOI的商业软件中，用于辅助设备配置和调试。自动组件库匹配功能利用深度学习技术从图像中识别组件类型，从而实现对最佳组件库的自动选择。此外，人工智能还用于辅助进行3D组件测量，为现有组件库中未包含的零件生成数据。.
二次判断：
人工智能虽然简化并加速了库管理，但如今，这项技术有望通过应用其学习和分类能力来提高生产线上的检测精度，从而为制造商带来更大的价值。依靠人工判断将缺陷分类为真阳性、假阳性或假阴性既耗时又会给制造过程带来不确定性。虽然有些缺陷很容易分类，例如元件缺失或严重错位，或者严重的焊接问题，但另一些缺陷则更难发现或明确识别，因为它们低于可接受的标准。
当判断完全依赖人类专家时，每位操作人员可能会根据自身的经验水平和个人观点采用不同的标准。由于判断需要时间，检验速度可能会很慢。一些缺陷可能会被忽略，而过于严格的评估则可能产生误报，导致不必要的返工。引入人工智能来辅助这些二次评估，可以减少对专家的依赖，消除误差，从而提高生产效率。.
图 1 展示了人工智能如何增强辅助判断，从而提升人类技能的价值并最大限度地减少人为错误的影响。AOI 系统将检测到的缺陷区域图像与操作人员和集成机器学习模型的 AI 判断软件应用程序共享。人类专家评估缺陷的性质，并将他们的判断结果输入 AI 软件。通过不断记录专家判断并进行调整，该模型能够快速掌握专家最佳的判断技能并消除人为错误。经过训练后，该模型能够做出更准确、更快速的判断，使操作人员能够更自信、更高效地完成工作，同时保持始终如一的高精度。通过这种方式，操作人员可以达到专家检验员的水平。.
图 1. 通过机器学习进行数据收集、辅助判断和改进。.
人工智能辅助的二次检测可以提高重复性，防止缺陷产品流入生产线，并快速识别误报，避免将无缺陷组件送去进行不必要的返工。这有助于稳定工厂的质量结果并提高生产效率。.
置信度指数：
雅马哈的AI判断软件为操作员提供全面的反馈，解释其合格/不合格的判断结果，包括图像、表格和置信度指标（图2）。对于焊接缺陷（例如桥接或污染），该指数以图形热图和计算出的异常指数的形式显示。其他缺陷（例如字符识别）的评级则以匹配指数表示。该软件还会报告自身的性能，包括异常检测指数计算和过度检测抑制。通过重复的数据收集和分析（包括降噪），以及用于创建和优化自定义AI模型的工具，AI判断软件使用户能够控制机器学习的生命周期，并最终在无需专业人员协助的情况下执行质量控制。
图 2. 图像中显示的检查分析（包括图像和计算出的异常指数）有助于做出二次判断，并在必要时指导维修。.
从辅助到自动化：
从人工智能辅助人工操作的二次评估，下一步是实现完全自主的AOI（自动检测）系统，使其性能始终达到公司顶尖专家的水平。雅马哈的人工智能评估软件可与远程维修站无缝连接，并将人工智能评估结果直接共享给在线AOI系统，从而持续提升检测精度。利用人工智能实现二次判断自动化，在线AOI系统能够以极高的频率持续运行，无需人工干预，并将漏检和误报率降至最低，从而防止缺陷遗漏和不必要的返工。
结论
人工智能可以改进检测区域 (AOI) 的多个方面，例如加速库创建和自动生成缺失组件的数据。凭借其图像分类能力，人工智能已准备好部署到生产线上，以辅助并最终实现二次检测的自动化。过去，这项工作需要经验丰富的检测人员。如今，人工智能使操作人员能够快速达到类似的专业水平。未来的发展路线图表明，从装配到 AOI，通过机器学习实现全面自动化，将进一步提高质量保证并提升生产效率。.
