آینده تولید هوشمند با سیستم‌های بینایی مبتنی بر هوش مصنوعی

ساخته شده در 09.02

صنعت تولید در حال تجربه یک تغییر زلزله‌ای است—تغییری که توسط ادغام هوش مصنوعی (AI) و بینایی کامپیوتری هدایت می‌شود. برای دهه‌ها، تولید سنتی به بازرسی‌های دستی، اتوماسیون سخت و نگهداری واکنشی وابسته بود که منجر به ناکارآمدی‌ها، خطای انسانی و از دست رفتن فرصت‌های بهینه‌سازی شد. امروز،سیستم‌های بینایی مبتنی بر هوش مصنوعیدر حال ظهور به عنوان ستون فقرات تولید هوشمند، هر مرحله از چرخه تولید را از طراحی و مونتاژ تا کنترل کیفیت و لجستیک متحول می‌کنند. با تسریع صنعت 4.0، این سیستم‌ها دیگر یک "نیاز اضافی" نیستند بلکه یک سرمایه‌گذاری حیاتی برای کسب‌وکارهایی هستند که به دنبال رقابتی ماندن، چابک بودن و آماده برای آینده هستند.

سیستم‌های بینایی مبتنی بر هوش مصنوعی در تولید چیستند؟

در هسته خود، سیستم‌های بینایی مبتنی بر هوش مصنوعی ترکیبی از دوربین‌های با وضوح بالا، حسگرهای پیشرفته و الگوریتم‌های یادگیری ماشین (ML) هستند تا داده‌های بصری را در زمان واقعی "ببینند" و تفسیر کنند—بسیار فراتر از قابلیت‌های چشم‌های انسان یا بینایی ماشین پایه. بر خلاف بینایی ماشین سنتی، که از قوانین پیش‌برنامه‌ریزی شده برای شناسایی نقص‌های ساده (مانند یک پیچ گمشده) پیروی می‌کند، بینایی هوش مصنوعی از مجموعه‌های داده وسیع تصاویر و ویدیوها یاد می‌گیرد تا الگوهای پیچیده را شناسایی کند، به سناریوهای جدید سازگار شود و تصمیمات خودمختار بگیرد.

به عنوان مثال، سیستمی که بر روی هزاران تصویر از بردهای مدار چاپی (PCBs) آموزش دیده است، نه تنها می‌تواند ترک‌های واضح را شناسایی کند بلکه همچنین می‌تواند نقص‌های میکروسکوپی لحیم‌کاری را که ممکن است یک بازرس انسانی از دست بدهد، تشخیص دهد. با گذشت زمان، با پردازش داده‌های بیشتر، دقت آن بهبود می‌یابد—تبدیل ورودی بصری خام به بینش‌های قابل اقدام برای تولیدکنندگان. یک مثال قابل توجه در اینجا فاکسکان است، بزرگترین تولیدکننده قراردادی الکترونیک در جهان. فاکسکان سیستم‌های بینایی هوش مصنوعی را در خطوط تولید PCB خود در سال 2023 مستقر کرد و زمان بازرسی دستی را 70% کاهش داد و نرخ نقص‌ها را برای مشتریانی مانند اپل و دل 45% کاهش داد.

برنامه‌های اصلی شکل‌دهنده آینده تولید هوشمند

بینش هوش مصنوعی یک راه‌حل یکسان برای همه نیست؛ این یک ابزار چندمنظوره است که به برخی از بزرگ‌ترین مشکلات صنعت تولید پاسخ می‌دهد. در زیر، حوزه‌های کلیدی که این سیستم‌ها تغییرات تحول‌آفرین را ایجاد می‌کنند، آورده شده است:

1. کنترل کیفیت (QC) و شناسایی نقص

کنترل کیفیت جایی است که بینایی هوش مصنوعی بیشترین تأثیر فوری را داشته است. کنترل کیفیت دستی کند، نامنظم و مستعد خستگی است—به ویژه برای خطوط تولید با حجم بالا (مانند قطعات خودرو، الکترونیک یا داروسازی). سیستم‌های بینایی هوش مصنوعی محصولات را با سرعت‌های صدها در دقیقه با دقتی بیش از 99% بازرسی می‌کنند—سطحی که بازرسان انسانی نمی‌توانند به آن برسند.

در صنعت خودروسازی، به عنوان مثال، تسلا از سیستم‌های بینایی مبتنی بر هوش مصنوعی در گیگافکتوری‌های خود برای بازرسی جوش‌های سلول باتری و تراز پنل‌های بدنه استفاده می‌کند. این سیستم‌ها تا 500 نقطه جوش در هر بسته باتری را در 2 ثانیه اسکن می‌کنند و نقص‌هایی به کوچکی 0.1 میلی‌متر را شناسایی می‌کنند. این امر هزینه‌های بازسازی باتری را سالانه 12 میلیون دلار کاهش داده و تولید را 18% بهبود بخشیده است. در صنعت داروسازی، Pfizer از بینایی هوش مصنوعی برای بازرسی قرص در تأسیسات خود در نیویورک استفاده کرده است. این فناوری ناهنجاری‌ها در شکل، رنگ و پوشش قرص را شناسایی می‌کند که می‌تواند نشان‌دهنده خطاهای دوز باشد و اطمینان حاصل می‌کند که با استانداردهای FDA مطابقت دارد و خطرات فراخوانی را 80% کاهش می‌دهد.

2. نگهداری پیش‌بینانه

زمان‌های غیرمنتظره هزینه‌های میلیاردی برای تولیدکنندگان به همراه دارد. سیستم‌های بینایی مبتنی بر هوش مصنوعی به کاهش این ریسک کمک می‌کنند با نظارت بر تجهیزات برای نشانه‌های اولیه سایش یا خرابی. دوربین‌های نصب شده بر روی موتورها، نوار نقاله‌ها یا بازوهای رباتیک داده‌های بصری (مانند لرزش‌های غیرعادی، نشت روغن یا ساییدگی نوار) را ضبط کرده و به مدل‌های یادگیری ماشین ارسال می‌کنند. این مدل‌ها داده‌ها را با الگوهای تاریخی مقایسه می‌کنند تا پیش‌بینی کنند که چه زمانی نیاز به تعمیرات است—که به تیم‌ها اجازه می‌دهد تعمیرات را در زمان‌های برنامه‌ریزی شده انجام دهند به جای اینکه به خرابی‌ها واکنش نشان دهند.

بوئینگ از بینایی هوش مصنوعی برای نگهداری پیش‌بینانه در خطوط مونتاژ هواپیماهای خود در سیاتل استفاده می‌کند. دوربین‌های نصب شده بر روی روبات‌های پرچ‌کار، سایش ابزار و یکپارچگی اتصالات را زیر نظر دارند و در صورت نزدیک شدن اجزا به ۳۰٪ از شکست، هشدار می‌دهند. این امر زمان غیرمنتظره خاموشی تجهیزات پرچ‌کاری را ۶۵٪ کاهش داده و عمر ابزار را ۲۵٪ افزایش داده است. به‌طور مشابه، نستله از بینایی هوش مصنوعی برای نظارت بر نوار نقاله‌ها در کارخانه‌های شکلات خود استفاده می‌کند. این سیستم انحراف یا ساییدگی نوار را هفته‌ها قبل از شکست تشخیص می‌دهد و از توقف‌های تولیدی که قبلاً برای شرکت ۵۰۰,۰۰۰ دلار هزینه داشت، جلوگیری می‌کند.

۳. راهنمایی و اتوماسیون رباتیک

ربات‌های همکاری (“cobots”) و ربات‌های متحرک خودران (AMRs) در کارخانه‌های هوشمند به یک عنصر اساسی تبدیل شده‌اند، اما آن‌ها برای انجام وظایف به‌طور ایمن و کارآمد به ورودی بصری دقیق وابسته‌اند. بینایی هوش مصنوعی، cobots را در مونتاژ دقیق (به‌عنوان مثال، نصب قطعات الکترونیکی کوچک) یا انتخاب و قرار دادن اقلام با اشکال و اندازه‌های مختلف راهنمایی می‌کند.

BMW ربات‌های همکار مجهز به بینایی مصنوعی را در کارخانه مونیخ خود برای مونتاژ سیم‌کشی داشبورد مستقر کرد - وظیفه‌ای که به دلیل پیچیدگی‌اش قبلاً به صورت دستی انجام می‌شد. این ربات‌ها از بینایی سه‌بعدی برای شناسایی رنگ‌های سیم و اشکال کانکتور استفاده می‌کنند و در زمان واقعی، نحوه‌ی گرفتن خود را تنظیم می‌کنند. این امر زمان مونتاژ را ۴۰٪ کاهش داد و نرخ خطا را از ۸٪ به کمتر از ۱٪ کاهش داد. در لجستیک، آمازون رباتیک از بینایی مصنوعی در AMRهای خود در مراکز تحقق استفاده می‌کند. ربات‌ها با اسکن محیط اطراف خود ۱۰۰ بار در ثانیه، در محیط‌های پویا (مانند کارگران در حال حرکت، جعبه‌های انباشته) حرکت می‌کنند و حوادث تصادف را ۹۰٪ کاهش داده و توان عملیاتی انبار را ۳۵٪ افزایش می‌دهند.

۴. بهینه‌سازی فرآیند

سیستم‌های بینایی هوش مصنوعی به عنوان "چشم‌های دیجیتال" در سراسر خط تولید عمل می‌کنند و داده‌هایی درباره گلوگاه‌های جریان کار، کارایی اپراتور و استفاده از منابع جمع‌آوری می‌کنند. با تجزیه و تحلیل این داده‌ها، تولیدکنندگان می‌توانند ناکارآمدی‌ها را شناسایی کرده و تنظیمات مبتنی بر داده انجام دهند.

شرکت Anheuser-Busch InBev (ABI) از بینایی AI در کارخانه آبجوسازی خود در سنت لوئیس برای بهینه‌سازی خطوط بطری‌گذاری آبجو استفاده کرده است. دوربین‌ها سطح پر شدن بطری‌ها، تراز کردن درب‌ها و قرارگیری برچسب‌ها را ردیابی کرده و داده‌ها را به یک داشبورد مرکزی منتقل می‌کنند. ABI از این بینش‌ها برای تنظیم سرعت نوار نقاله و فشار نازل پرکن استفاده کرده و ضایعات پر شدن بیش از حد را ۲۲٪ کاهش داده و کارایی خط را ۱۵٪ افزایش داده است—که سالانه ۳ میلیون دلار صرفه‌جویی می‌کند. مثال دیگری نایک است که از بینایی AI در کارخانه‌های کفش خود در ویتنام برای نظارت بر فرآیندهای دوخت استفاده می‌کند. این سیستم الگوهای دوخت نامنظم را به‌طور زودهنگام شناسایی کرده و به اپراتورها اجازه می‌دهد قبل از تولید محصولات معیوب، ماشین‌ها را تنظیم کنند—که ضایعات مواد را ۳۰٪ کاهش می‌دهد.

5. ردیابی زنجیره تأمین

در صنایعی مانند داروسازی و هوافضا، قابلیت ردیابی غیرقابل مذاکره است. سیستم‌های بینایی مبتنی بر هوش مصنوعی اجزاء را از مواد اولیه تا محصول نهایی با اسکن بارکدها، کدهای QR یا حتی نشانگرهای بصری منحصر به فرد (به عنوان مثال، بافت‌های سطحی) ردیابی می‌کنند.

جانسون و جانسون (J&J) از بینایی هوش مصنوعی برای ردیابی مواد فعال دارویی (APIs) در تولید واکسن خود استفاده می‌کند. دوربین‌ها الگوهای میکروسکوپی روی ذرات API را در هر مرحله تولید اسکن می‌کنند و آن‌ها را به سوابق دسته‌ای مرتبط می‌سازند. در یک حسابرسی زنجیره تأمین در سال 2024، J&J توانست یک دسته API آلوده را در عرض 2 ساعت به منبع آن ردیابی کند—در مقایسه با 3 روز با ردیابی دستی—که منجر به کاهش خسارت محصول شد. در صنعت هوافضا، ایرباس از بینایی هوش مصنوعی برای ردیابی اجزای تیغه توربین استفاده می‌کند. هر تیغه دارای یک بافت سطحی منحصر به فرد است که توسط دوربین‌های با وضوح بالا ضبط می‌شود و به ایرباس این امکان را می‌دهد که سفر آن را از شکل‌دهی تا نصب ردیابی کند—که اطمینان از انطباق با مقررات EASA و ساده‌سازی بررسی‌های نگهداری را تضمین می‌کند.

چرا بینایی هوش مصنوعی یک تغییر دهنده بازی برای تولیدکنندگان است

مزایای پذیرش سیستم‌های بینایی مبتنی بر هوش مصنوعی فراتر از کارایی عملیاتی است. در اینجا نحوه ارائه ارزش ملموس آنها آمده است:

• صرفه‌جویی در هزینه: کاهش ضایعات، هزینه‌های کمتر برای بازسازی و تعداد کمتری از وقفه‌های غیرمنتظره به صرفه‌جویی قابل توجهی در سود نهایی منجر می‌شود. یک گزارش مک‌کینزی تخمین می‌زند که کنترل کیفیت مبتنی بر هوش مصنوعی می‌تواند هزینه‌های بازرسی را برای تولیدکنندگان 30–50% کاهش دهد. به عنوان مثال، جنرال الکتریک (GE) پس از پیاده‌سازی بینایی هوش مصنوعی برای بازرسی تیغه، 20 میلیون دلار در بخش توربین گاز خود صرفه‌جویی کرد و هزینه‌های بازسازی و وقفه را کاهش داد.

• افزایش بهره‌وری: با خودکارسازی وظایف تکراری (مانند بازرسی، دسته‌بندی)، بینایی AI به کارگران این امکان را می‌دهد که بر روی فعالیت‌های با ارزش بالاتر مانند حل مسئله و نوآوری تمرکز کنند. زیمنس گزارش داد که پس از اینکه بینایی AI بیش از 80% وظایف بازرسی دستی را بر عهده گرفت، بهره‌وری کارگران در کارخانه الکترونیک برلین 25% افزایش یافته است.

• ایمنی بهبود یافته: بینایی هوش مصنوعی می‌تواند فضاهای کاری را برای خطرات ایمنی (مانند ماشین‌آلات بدون حفاظت، خستگی کارگران) نظارت کند و به سرپرستان در زمان واقعی هشدار دهد—که منجر به کاهش حوادث در محل کار می‌شود. 3M از بینایی هوش مصنوعی در کارخانه نوار خود در مینه‌سوتا برای شناسایی کارگرانی که بدون تجهیزات ایمنی ماشین‌آلات را کار می‌کنند استفاده کرد؛ در عرض 6 ماه، حوادث ایمنی 55% کاهش یافت.

• مقیاس‌پذیری: بر خلاف فرآیندهای دستی، سیستم‌های بینایی هوش مصنوعی می‌توانند به راحتی با حجم تولید مقیاس‌پذیر شوند. سامسونگ در سال 2023 استقرار بینایی هوش مصنوعی خود را از 2 به 15 خط تولید گوشی‌های هوشمند گسترش داد و مدل‌های موجود را با داده‌های محصولات جدید دوباره آموزش داد—بدون نیاز به استخدام بیش از 200 بازرس اضافی.

• مزیت رقابتی: تولیدکنندگانی که از بینایی AI استفاده می‌کنند می‌توانند محصولات را سریع‌تر به بازار عرضه کنند، استانداردهای کیفیت بالاتری را حفظ کنند و به تقاضای مشتریان سریع‌تر پاسخ دهند. شیائومی سری Redmi Note 13 خود را 3 هفته زودتر از برنامه‌ریزی شده پس از استفاده از بینایی AI برای تسریع در بررسی‌های کیفیت، راه‌اندازی کرد و در فصل راه‌اندازی خود 10% سهم بازار بیشتری را به دست آورد.

چالش‌ها و ملاحظات برای پذیرش

در حالی که آینده بینایی هوش مصنوعی در تولید روشن است، پذیرش بدون موانع نیست. تولیدکنندگان باید به موارد زیر بپردازند تا بازگشت سرمایه را به حداکثر برسانند:

• کیفیت و دسترسی داده: مدل‌های هوش مصنوعی برای عملکرد خوب به مجموعه‌های داده بزرگ و با کیفیت بالا وابسته هستند. فورد با تأخیر در راه‌اندازی بینایی هوش مصنوعی برای بازرسی قطعات ترمز مواجه شد زمانی که متوجه شد مجموعه داده‌های تصویر نقص موجودش ناقص است (30% از انواع نقص نادر را از دست داده است). این شرکت مجبور شد با یک طرف سوم همکاری کند تا 10,000 تصویر اضافی را ثبت کند که 3 ماه به زمان پروژه اضافه کرد.

• ادغام با سیستم‌های موجود: بسیاری از کارخانه‌ها از تجهیزات قدیمی استفاده می‌کنند که ممکن است با ابزارهای بینایی AI سازگار نباشند. کاترپیلار ۱.۲ میلیون دلار برای ادغام سیستم‌های بینایی AI با نرم‌افزار ERP خط مونتاژ بولدوزر ۲۰ ساله خود هزینه کرد که نیاز به APIهای سفارشی و به‌روزرسانی‌های نرم‌افزاری برای حسگرهای قدیمی داشت.

• فاصله‌های مهارتی: راه‌اندازی و نگهداری سیستم‌های بینایی هوش مصنوعی نیازمند مهارت‌هایی در علم داده، یادگیری ماشین و رباتیک است—مهارت‌هایی که در دسترس نیستند. هانی‌ول یک برنامه آموزشی داخلی برای 500 تکنسین کارخانه راه‌اندازی کرد که نگهداری مدل‌های پایه یادگیری ماشین و کالیبراسیون دوربین را آموزش می‌دهد، با هزینه‌ای معادل 500,000 دلار. این برنامه وابستگی به پشتیبانی فنی خارجی را 40% کاهش داد.

• امنیت سایبری: با اتصال سیستم‌های بینایی هوش مصنوعی به ابر و شبکه‌های کارخانه، خطرات جدیدی در زمینه امنیت سایبری به وجود می‌آید. اینتل در سال 2023 گزارشی از یک نقض امنیتی منتشر کرد که در آن هکرها به فیدهای دوربین‌های بینایی هوش مصنوعی از کارخانه چیپ خود در آریزونا دسترسی پیدا کردند، که این امر باعث شد شرکت 3 میلیون دلار در رمزگذاری انتها به انتها و تقسیم‌بندی شبکه سرمایه‌گذاری کند.

آینده: آینده فناوری بینایی مبتنی بر هوش مصنوعی در تولید چیست؟

با پیشرفت فناوری‌های هوش مصنوعی و بینایی کامپیوتری، نقش آن‌ها در تولید تنها برجسته‌تر خواهد شد. در اینجا سه روند برای نظارت وجود دارد:

1. هوش مصنوعی لبه برای تصمیم‌گیری در زمان واقعی

امروز، بسیاری از سیستم‌های بینایی هوش مصنوعی به پردازش داده‌ها با استفاده از رایانش ابری وابسته هستند—تاخیری که می‌تواند برای وظایف حساس به زمان مشکل‌ساز باشد (به عنوان مثال، متوقف کردن خط تولید در میانه نقص). هوش مصنوعی لبه—پردازش داده‌ها به صورت محلی بر روی دستگاه (به عنوان مثال، یک دوربین یا ربات)—به استاندارد تبدیل خواهد شد و امکان تصمیم‌گیری فوری را بدون وابستگی به اتصال ابری فراهم می‌کند.

تویوتا در حال آزمایش بینایی مبتنی بر هوش مصنوعی لبه در کارخانه خودروسازی کنتاکی است. دوربین‌های نصب شده بر روی ربات‌های جوشکاری داده‌ها را به صورت محلی پردازش می‌کنند، عیوب را شناسایی کرده و عملیات را در ۰.۰۵ ثانیه متوقف می‌کنند—در مقایسه با ۲ ثانیه با پردازش مبتنی بر ابر. این امر باعث کاهش ۳۰ درصدی جوش‌های معیوب و حذف خطاهای مرتبط با تأخیر شده است. خودروساز قصد دارد این فناوری را تا سال ۲۰۲۶ به تمام ۱۴ کارخانه آمریکای شمالی گسترش دهد.

2. ادغام هوش مصنوعی چندرسانه‌ای

سیستم‌های آینده داده‌های بصری را با ورودی‌های دیگر (مانند صدا، دما یا لرزش) ترکیب خواهند کرد تا دیدی جامع‌تر از عملیات به دست آورند. به عنوان مثال، یک مدل هوش مصنوعی می‌تواند هم تصاویر بصری یک ماشین و هم امواج صوتی آن را تحلیل کند تا نشانه‌های اولیه خرابی را شناسایی کند—که دقت را بهبود بخشیده و مثبت‌های کاذب را کاهش می‌دهد.

Siemens Energy در حال آزمایش یک سیستم هوش مصنوعی چندوجهی در کارخانه‌های توربین گاز خود است. این سیستم بینایی هوش مصنوعی (نظارت بر سایش سطح تیغه) را با حسگرهای صوتی (شناسایی صداهای غیرمعمول موتور) و داده‌های دما (پیگیری توزیع حرارت) ترکیب می‌کند. آزمایش‌های اولیه نشان می‌دهد که نسبت به سیستم‌های با منبع داده واحد، ۴۰٪ کاهش در هشدارهای نادرست نگهداری وجود دارد که سالانه ۱.۵ میلیون دلار در تعمیرات غیرضروری برای شرکت صرفه‌جویی می‌کند.

3. همکاری انسان و هوش مصنوعی

به جای جایگزینی کارگران انسانی، بینایی هوش مصنوعی همکاری را تقویت خواهد کرد. هدست‌های واقعیت افزوده (AR) که با بینایی هوش مصنوعی جفت شده‌اند، می‌توانند راهنمایی‌های بازرسی در زمان واقعی را برای تکنسین‌ها روی هم قرار دهند، یا هوش مصنوعی می‌تواند ناهنجاری‌ها را برای بررسی انسان‌ها علامت‌گذاری کند—ترکیب سرعت هوش مصنوعی با تفکر انتقادی انسان‌ها.

بوئینگ از هدست‌های بینایی AR-AI برای تکنسین‌های نگهداری هواپیما استفاده می‌کند. این هدست‌ها نشانه‌های بصری (مانند، موقعیت‌های بولت های هایلایت شده) و هشدارهای تولید شده توسط AI (مانند، "اینجا را برای خوردگی بررسی کنید") را بر اساس اسکن‌های دوربین از بدنه‌های هواپیما نمایش می‌دهند. تکنسین‌هایی که از این هدست‌ها استفاده می‌کنند، وظایف نگهداری را ۲۵٪ سریع‌تر و با ۱۸٪ خطای کمتر نسبت به کسانی که از راهنماهای سنتی استفاده می‌کنند، انجام می‌دهند. فولکس‌واگن نیز فناوری مشابهی را در کارخانه ولفسبورگ خود به کار گرفته است، جایی که هدست‌های AR-AI کارگران را در سفارشی‌سازی داخلی خودرو راهنمایی می‌کنند و خطاهای پیکربندی را ۶۰٪ کاهش می‌دهند.

افکار نهایی

سیستم‌های بینایی مبتنی بر هوش مصنوعی تنها در حال تحول در تولید نیستند—آن‌ها در حال بازتعریف آنچه ممکن است هستند. از بازرسی‌های باتری تسلا تا نگهداری تقویت‌شده با واقعیت افزوده بوئینگ، موارد واقعی ثابت می‌کنند که این ابزارها نتایج قابل اندازه‌گیری ارائه می‌دهند: هزینه‌های کمتر، کیفیت بالاتر و چابکی بیشتر. در حالی که پذیرش نیاز به سرمایه‌گذاری در فناوری، داده‌ها و مهارت‌ها دارد، مزایای بلندمدت—صرفه‌جویی در هزینه، افزایش بهره‌وری و مزیت رقابتی—این تلاش را ارزشمند می‌سازد.

با پیشرفت صنعت 4.0، بینش هوش مصنوعی دیگر یک تمایز نخواهد بود بلکه یک ضرورت خواهد بود. تولیدکنندگانی که امروز این فناوری را در آغوش می‌گیرند، در آینده تولید هوشمند به خوبی موقعیت خواهند داشت.

آینده تولید هوشمند با سیستم‌های بینایی مبتنی بر هوش مصنوعی

تماس

اطلاعات خود را وارد کنید و ما با شما تماس خواهیم گرفت.

درباره ما

محصولات

درباره ما

پشتیبانی

+8618520876676

+8613603070842

اخبار

leo@aiusbcam.com

vicky@aiusbcam.com

WeChat