人工智能和机器学习：质量控制、检查和防伪检测的革命

机器学习的图像识别基本原理

机器学习 (ML) 算法使用特定领域的大量数据来优化流程，以获得更高效的结果。ML 系统通过训练自己来识别连接数据点的模式和相关性。实现这一点需要强大的算法、大量的相关信息数据集、狭窄的域和具体的目标。

在一些顶级 ML 公司和研究人员眼中，深度学习是一项可以引发数百个行业变革的突破性技术。很多抽象的工作已经完成，现在是时候使用 ML，把它变成可持续的商业模式了。

对于图像识别而言，正确识别所有图像，以区分与数据集相关的图像至关重要。基于 ML 的系统接触到的正确图片例子越多，它就越能准确地提取模式并识别出领域的差异。

电路板缺陷检测的 ML 算法

虽然近年来 PCB 的自动视觉检测取得了长足的进步，但一些研究表明，深度学习比传统的基于机器的分类和特征提取算法要出色。^[1]

在大多数 PCB 生产设施中，缺陷最初是由自动检测 (AOI) 机器进行检测的。然后由质检工程师对每块标记的 PCB 进行核查。

遗憾的是，由于划痕、小孔或灰尘、纸张碎片或微小气泡等纳米颗粒的存在，AOI 机器可能会错误地将许多电路板归类为存在缺陷。此外，熟练的工程师在检查过程中仍然会出错。因此，当务之急是使用经过充分训练的 ML 系统来提高质量控制程序的准确性。

去年，台湾元智大学的研究人员发表了一项研究，他们使用只看一次 (YOLO) 卷积神经网络在 PCB 中实现了 98.79% 的缺陷检测精度。^[2]

与其他简单的分类器相比，YOLO 在实践中被广泛使用。这是一个简单、统一的对象检测模型，可以直接使用完整的图像进行训练。快速 YOLO 是最快的通用对象探测器。与跨各种检测数据集的其他检测系统相比，YOLOv2 为对象检测提供了实时速度和准确性之间的最佳权衡。

根据他们的论文，该团队使用了 11,000 张图像、一个 24 个卷积层网络，以及两个完全连通的层。为了训练 Tiny YOLOv2 算法，研究人员使用了在 Nvidia TITAN V GPU 上运行的 Keras 框架^[3]。

防伪检测、假冒产品和组件性能

2019 年，经济合作与发展组织 (OECD) 报告称，假冒和盗版商品占全球贸易量的 3.3%。这个比例每年都在上升。受造假影响最大的国家是美国，其品牌或专利与 24% 被查获的假冒产品有关。^[4]

电子行业是受假冒产品影响最大的行业之一。随着关键零部件价格的上涨和供应链的中断，许多假货进入市场来填补空白。雪上加霜的是，大部分假冒部件几乎无法与原装部件区分开来。

成品的假货检测，尤其是消费品的假货检测，可以通过目视检查来实现。然而，这需要训练有素的眼睛和知识来区分假货和真货。

在这方面，图像识别的优势是巨大的。ML 算法可以分析数以百万计的图像，并检测出形状、颜色、纹理和尺寸方面哪怕是最微小的不一致和异常情况。

当涉及到电子元件时，仅仅使用目视检查变得更加困难。市场上充斥着假冒伪劣产品和旧库存。使用假冒或二手零件可能导致设备和财产损失、产品召回和潜在责任。

除图像识别外，其他方法和 ML 算法也是必要的，以提高检测假冒或改装零件时的准确性。在过去的几年里，区块链技术已经迅速成为保护产品和零部件正品性以及确保供应链安全的关键解决方案之一。

例如，IBM 正在将区块链与成像和人工智能相结合，以验证产品的真伪。其 Crypto Anchor Verifier^[5] 使用 ML、神经网络和视频分析来评估液体的属性，并识别颜色、饱和度、粘度和其他化学属性，所有这些都是更好地确定产品真伪的手段。此外，它可以被训练来识别电子元件中的电气模式，以区分新的零件和同一 SKU 的前几代产品。

AI 和 ML 在供应链中的作用才刚刚开始

最近，疫情对全球供应链的破坏，迫使许多供应商和制造商到其他地方寻找产品和部件。使用最新的技术和 ML，可以帮助避免假冒零件，并进行更快速、更有效、更准确的质量控制。

由于图像识别和 ML 精度和速度的不断提高，许多行业开始使用它们进行质量控制和防伪检测。

预计更多行业将把他们的业务转移到云端，以增加训练数据的可用性。随着 AI 和 ML 的能力成倍增长，这些解决方案有可能很快帮助前面提到的行业提高产品质量和性能。