在制造過程和質(zhì)量管理體系中實施質(zhì)量控制和保證方法，確保最終產(chǎn)品滿足客戶要求和滿意度。表面缺陷檢測系統(tǒng)可以使用圖像數(shù)據(jù)進行檢查和分類，以提供高質(zhì)量的產(chǎn)品。隨著人工智能的發(fā)展，實時缺陷檢測通過傳感器和 預(yù)訓(xùn)練 AI 模型 實現(xiàn)了優(yōu)化和自動化，以實現(xiàn)可復(fù)制的質(zhì)量控制。

瑞典公司 Sansera（柴油發(fā)動機連桿生產(chǎn)商）與 AI 公司 Aixia 合作，使用計算機視覺在其生產(chǎn)過程中實施自動化的深度學(xué)習(xí)缺陷檢測系統(tǒng)。

在公共汽車、卡車和船舶上發(fā)現(xiàn)，制造生產(chǎn)過程中的每根桿都必須具有高質(zhì)量、一致性、可靠性和文件記錄。高分辨率視覺檢測系統(tǒng)必須實時檢測和分類缺陷。

為了幫助 Sansera 實現(xiàn)其制造過程質(zhì)量控制目標(biāo)，愛夏公司在 Sansera 的生產(chǎn)現(xiàn)場開發(fā)并部署了一條棒材檢驗和檢測管道。管道的核心是 NVIDIA Triton 推理服務(wù)器 部署在 NVIDIA Jetson edge AI 平臺 和數(shù)據(jù)中心服務(wù)器。它在 x86 服務(wù)器上實現(xiàn)，使用 NVIDIA A10 GPU 進行推理。

使用質(zhì)量視覺檢測系統(tǒng)，機器人將連桿提升并顯示到一組支持 AI 的攝像頭上。攝像頭拍攝多張照片以捕捉印記和序列號，這些印記和序列號通過基于 AI 的計算機視覺模型發(fā)送，以便在受控的照明環(huán)境中進行檢查。評估按順序進行，結(jié)果提供質(zhì)量控制文件。每個攝像頭視圖執(zhí)行幾個深入學(xué)習(xí)推斷。

每個連桿在釋放前都經(jīng)過檢查并做好記錄。此推理工作流的工作是檢測印記，檢查其質(zhì)量，并為產(chǎn)品文檔提供必要的詳細信息。該工作流在 NVIDIA Triton 推理服務(wù)器上部署和優(yōu)化，使用不同的框架，并以簡化的方式整合質(zhì)量用例。

預(yù)處理和后處理中的多個模型都整合在一個服務(wù)器實例中。

圖 2 ：NVIDIA Triton 推理服務(wù)器的可擴展部署，包括圖像的預(yù)處理和后處理。

使用 NVIDIA Triton ?聲波風(fēng)廓線儀，愛夏可在數(shù)據(jù)中心使用高性能 GPU 或在靠近數(shù)據(jù)的邊緣使用 Jetson 邊緣 AI 平臺部署預(yù)訓(xùn)練模型的優(yōu)化版本。

關(guān)于作者

Yi Nan Yu 是漸近 AI 和 Aixia 的聯(lián)合創(chuàng)始人。她擁有機器學(xué)習(xí)和信號處理博士學(xué)位，是瑞典查爾默斯理工大學(xué)的研究員和講師。您是自動駕駛、 NLP 和智能制造的 AI 數(shù)據(jù)管理和分析專家。

Samuel Scheidegger 是漸近人工智能的聯(lián)合創(chuàng)始人兼首席執(zhí)行官，也是愛夏的聯(lián)合創(chuàng)始人。自 2016 年以來，他一直致力于 AI 算法開發(fā)和深度學(xué)習(xí)基礎(chǔ)設(shè)施，并幫助開發(fā)了世界上第一個全棧、 AI 就緒基礎(chǔ)設(shè)施 AIRI 。他在智能制造和自然語言處理領(lǐng)域工作。

Shankar Chandrasekaran 是 NVIDIA 數(shù)據(jù)中心 GPU 團隊的高級產(chǎn)品營銷經(jīng)理。他負責(zé) GPU 軟件基礎(chǔ)架構(gòu)營銷，以幫助 IT 和 DevOps 輕松采用 GPU 并將其無縫集成到其基礎(chǔ)架構(gòu)中。在 NVIDIA 之前，他曾在小型和大型科技公司擔(dān)任工程、運營和營銷職位。他擁有商業(yè)和工程學(xué)位。

審核編輯：郭婷