焊接是重型设备制造业不可或缺的一部分，技术人员在焊接过程中面临的挑战之一是孔隙率——焊接金属中存在空腔。
Christine Boles这些空洞削弱了焊接强度并要求返工甚至报废整个有缺陷的部件。
这可能既费钱又费时。虽然训练有素的焊接工程师可以通过听觉和视觉检查来检测孔隙率，但这些工程师可能很难找到。在嘈杂和烟雾弥漫的工厂环境中，他们也可能很难听到或看到缺陷。
现有的自动监控系统经常会出现高误报率，从而减慢生产速度并增加成本。
制造农业、建筑和林业机械的 John Deere 与 Intel 合作建立了一个人工智能针对此问题的基于智能 (AI) 的解决方案。长期以来，由于烟雾和火花等极端恶劣的环境会给摄像头放置带来困难，因此长期以来很难为焊接应用创建机器视觉解决方案。
为了克服这些挑战，我们与 John Deere 和我们的合作伙伴合作创建了一个 AI 解决方案，该解决方案在焊缝附近放置了一个摄像头，提供了超出人眼能力的洞察力。
利用英特尔 OpenVINO（视觉推理和神经网络优化）工具包，该解决方案逐帧检查流视频，寻找缺陷。
当 AI 模型发现缺陷时，该解决方案会立即关闭焊接机器人，以便技术人员可以安全地进行干预。过去整个行业在焊接过程中处理焊缝气孔问题的尝试并不总是成功的。如果在制造过程的后期发现这些缺陷，则需要返工甚至报废整个组件，这可能会造成破坏且代价高昂。
根据我们与 Deere 的试点，该解决方案能够以高达 97.14% 的准确度检测孔隙度缺陷——这为制造商节省了大量成本和生产力。独立解决方案不依赖于任何第三方电源或焊接机器人模型，使其真正具有可扩展性。
端到端的集成系统还使制造商能够连接新的和现有的焊接设备，捕获多个计算密集型图像数据流，并将机器学习模型部署到边缘设备。
焊接质量挑战当然不是约翰迪尔独有的。独特之处在于迪尔的方法。该公司的工程师正依靠人工智能和机器视觉来实现质量检查自动化，使他们能够在问题发生时发现问题，从而推动工厂车间快速做出决策，自动化 QA 流程以提高质量、降低成本并提高工厂吞吐量。
在与迪尔合作时，我们的重点是确保解决方案的使用寿命，以支持公司未来可能存在的其他质量或效率需求。
对于希望为现有制造设备、流程和管理增添智能。与解决方案提供商合作至关重要，他们可以帮助解决当今的挑战，同时确保互操作性和可扩展性以实现未来的灵活性和易用性。
“焊接很复杂。这种 AI 解决方案有可能帮助我们比以前更高效地生产我们的机器，”Deere 建筑和林业部门的质量总监 Andy Benko 说。
