Машинное зрение на основе машинного обучения для роботизированного контроля в производстве: обзор

Развитие машинного зрения на основе машинного обучения (ML) для роботизированного контроля ускорилось благодаря внедрению интеллектуального производства, обеспечив автоматическое обнаружение и классификацию дефектов, а также оптимизацию процессов в реальном времени. В настоящем обзоре рассматриваются современное состояние и передовые практики контроля качества (QC) в интеллектуальном производстве. Более 50 исследований, охватывающих автомобильную, аэрокосмическую, сборочную и другие производственные отрасли, демонстрируют техническую применимость машинного зрения на основе ML для роботизированного контроля в производстве. Точность обнаружения и классификации дефектов часто превышает 95%, а некоторые системы машинного зрения обеспечивают точность 98–100% в контролируемых условиях. В таких системах преимущественно используются самостоятельно разработанные архитектуры сверточных нейронных сетей (CNN), варианты YOLO или традиционные модели машинного обучения для машинного зрения. Однако 77% решений остаются на уровне прототипов или пилотных проектов, что указывает на наличие системных барьеров внедрения. Обсуждаются особенности систем машинного зрения и проблемы, с которыми эти технологии продолжают сталкиваться. Наконец, представлены рекомендации по перспективным направлениям развития машинного зрения на основе ML для роботизированного контроля в производстве.