重型设备制造商约翰迪尔(John Deere)创立于19世纪30年代,该公司不久前与英特尔合作开发了一个试点项目,以一种新的方式将人工智能引入到旗下的制造过程。该试点项目是英特尔为了展示旗下物联网解决方案,可以帮助开创一个更加数字化的工业时代的最新方式。
约翰迪尔在该项目里试图将计算机视觉用于加快发现并纠正自动焊接过程中的缺陷,发现及纠正自动焊接过程中的缺陷是个缓慢、昂贵但却至关重要的工序。约翰迪尔建筑暨林业部门质量总监Andy Benko在一份声明中表示:"焊接是个复杂的过程。该人工智能解决方案可以帮助我们更高效地生产高质量的机器。制造业新技术的引入正在开启新的机遇,可以改变我们对于一些多年一成不变的流程的思考方式。"
约翰迪尔在旗下的全球各地52家工厂里使用气体金属电弧焊(GMAW)工艺焊接轻度到高强度的钢材。该工艺用的是机器人弧焊臂,每年要消耗数百万磅焊丝。弧焊容易产生焊接气孔缺陷,焊接气孔指焊接金属形成的小空洞,是焊接冷却时遗留的气泡导致的。焊接气孔问题会削弱焊接强度。
各家制造商之前曾尝试利用自动化系统寻找缺陷,但这种系统通常会产生很高的假阳性率。这意味着制造商通常必须依靠熟练的技术人员用手动的办法发现问题。但要找到足够的熟练技术人员可能很难,而且成本很高。在大型工厂环境里,这项工作尤其具挑战性。
约翰迪尔去年开始在旗下一家建筑和林业工厂进行该试点项目,试点项目表明,使用计算机视觉处理技术可以令发现焊接气孔缺陷的过程更准确,成本更低。根据英特尔工业物联网合作伙伴ADLINK的数据,这个基于人工智能的试点项目检测出了高达97.14%的焊接气孔缺陷。在识别到焊接气孔缺陷后,系统就会自动关闭焊接机器人。
该系统使用定位在焊枪上的摄像头实时发现焊接气孔缺陷。源自摄像头的视频帧送给基于神经网络的人工智能动作识别模型进行分析,该模型需先用良好的和具焊接气孔缺陷的焊接图像进行训练。
据了解,该人工智能缺陷检测系统用的是英特尔酷睿i7处理器、英特尔Movidius VPU和OpenVINO英特尔发布工具包(这是一款免费软件,可以帮助开发人员在边缘视觉应用里用上计算机视觉和深度学习推理)。系统是在ADLINK机器视觉平台上实现的。
英特尔物联网集团副总裁、工业解决方案集团总经理Christine Boles告诉记者,芯片制造商英特尔与客户密切合作及解决特定的业务挑战,由此还可以将学习成果扩展到其他客户。
Boles表示,"焊接质量是行业性的挑战,并不是约翰迪尔独家面对的问题。迪尔的方法有其独特的地方。我们与迪尔密切合作关系,利用我们的生态系统构建了一个端到端解决方案,现在解决了这一挑战,同时还确保方案的长效性,可以解决其他质量或效率方面的需求。"
好文章,需要你的鼓励
新加坡国立大学研究团队开发了SPIRAL框架,通过让AI与自己对弈零和游戏来提升推理能力。实验显示,仅训练AI玩简单扑克游戏就能让其数学推理能力提升8.6%,通用推理提升8.4%,且无需任何数学题目作为训练材料。研究发现游戏中的三种推理模式能成功转移到数学解题中,为AI训练提供了新思路。
同济大学团队开发的GIGA-ToF技术通过融合多帧图像的"图结构"信息,创新性地解决了3D相机噪声问题。该技术利用图像间的不变几何关系,结合深度学习和数学优化方法,在合成数据集上实现37.9%的精度提升,并在真实设备上展现出色泛化能力,为机器人、AR和自动驾驶等领域提供更可靠的3D视觉解决方案。
伊利诺伊大学研究团队通过对比实验发现,经过强化学习训练的视觉语言模型虽然表现出"顿悟时刻"现象,但这些自我纠错行为并不能实际提升推理准确率。研究揭示了AI模型存在"生成-验证差距",即生成答案的能力强于验证答案质量的能力,且模型在自我验证时无法有效利用视觉信息,为AI多模态推理发展提供了重要启示。
MIT等顶尖机构联合提出SparseLoRA技术,通过动态稀疏性实现大语言模型训练加速1.6倍,计算成本降低2.2倍。该方法使用SVD稀疏性估计器智能选择重要计算部分,在保持模型性能的同时显著提升训练效率,已在多个任务上验证有效性。