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(jìn)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(jī)連桿生產(chǎn)商)與 AI 公司 Aixia 合作,使用計算機(jī)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(jìn)行推理。
使用質(zhì)量視覺檢測系統(tǒng),機(jī)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(jī)視覺模型發(fā)送,以便在受控的照明環(huán)境中進(jìn)行檢查。評估按順序進(jìn)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(xì)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(kuò)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(jī)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(tuán)隊的高級產(chǎn)品營銷經(jīng)理。他負(fù)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
-
NVIDIA
+關(guān)注
關(guān)注
14文章
4999瀏覽量
103227 -
gpu
+關(guān)注
關(guān)注
28文章
4747瀏覽量
129021 -
AI
+關(guān)注
關(guān)注
87文章
31044瀏覽量
269393
發(fā)布評論請先 登錄
相關(guān)推薦
評論