2同行回答
汽车行业的质检场景相对而言比较离散化，想要实现减员增效，性能一定是第一位的。拥有最硬核的性能指标，是人工智能技术在质检中落地的最关键的要求。质检的效率，主要考察质检方案的准确率、过检率、漏检率、整体方案的人工替代率等方面的指标，这些指标不过硬，是无法达到减员增效的目的的。另外，整体方案的系统执行效率，是否可以帮助有效提升产线的产能，也是从系统化工程化的角度需要考察的最重要的产品指标之一。不能说所采用的AI算法的指标全球第一，但因为某些流程的执行瓶颈，导致无法有效的提升产线的产能。
例如，在整车装配生产过程中，车身漆面、零部件识别以及各外观零部件的配合间隙是汽车行业普遍存在的质量难题。由于缺陷种类多、尺寸小、肉眼易疲劳等因素，人工检测存在耗时长、效率低、疲劳后易产生漏检等缺点。通过 AI 视觉检测技术可以实现整车外观式样检测，含前脸、尾箱、车门、 Logo 等外形轮廓、外观颜色识别和尺寸检测以及轮胎轮毂样式、尺寸、颜色、 OCR 等检测内容。可以实现外观式样 100% 检出率以及 85% 以上的人工替代率，帮助企业有效把控质量并降低成本。
此外，针对量大的通用零配件可提供 AOI 检测设备，实现产品的自动上料、自动检测、自动踢料等功能，例如橡胶气门嘴、橡胶密封圈等橡胶材质表面的气泡、杂质、毛刺等缺陷以及尺寸的检测。通过 AI+CV 的有效结合，可以实现缺陷的检出率＞ 99.9% ，误检率＜ 0.1% 。
和其他行业一样，汽车行业，一般也是通过端 + 5G 网络 + 边缘云 + 云服务的协作，基于计算机视觉模型、算法库及样本图像，结合深度学习 AI 算法，完成数据预处理、数据标注及训练生成数据模型。我们再通过 5G 网络连接，可以使得产线上每个工业视觉应用不再是独立的数据孤岛，并让工厂中央生产控制系统实时获得每个被检测对象的结果、状态，纳入全工厂生产管理系统，借助云端训练平台能实时获取多个现场端的样本图像，快速更新及实时部署优化后模型，最后借助云边端协同技术，实现新检测应用的快速部署及推广，使能柔性生产，并实现现场设备的云端统一维护监控，以提高质检效率。
根据华为和百度联合编著的《智能工业视觉解决方案白皮书V1.0》，在2018年，全球用于工业自动化领域的机器视觉技术市场规模达44.4亿美元，预计2023年将达122.9亿美元，年复合增长率高达21%，投入费用这样算下来，成本不小。
收起