人工智能（深度学习）对视觉检查有必要吗？

'要看对象'。

如果所有要检查的对象都是以相同的方式制造的，那么检查它们是否与好的对象相同就很简单和可靠。没有比这更简单或更可靠的方法了。

问题是，好的产品也有变化。这种变化会导致好产品的图像出现变化，这不是简单的叠加就能处理的。统计学方法和深度学习可以作为处理这种变化的方法。

统计法是我们采用了近20年的检查方法，至今仍在大量使用。良好图像的变化被定义为同一坐标上亮度值的变化，对每个像素采用'平均值±3σ'的规则，生成一个下限和上限的图像作为良好图像，检查图像是否在这个范围内。该系统对变异度σ较小的物体和变异度较小的区域有很高的检测能力，随着变异度σ的增加，良好产品的范围也会扩大，检测的严格程度也会降低。然而，变异的容忍度不大，该系统适用于高精度的物体，良好产品的百分比往往不会增加。相反，有缺陷的产品不会混在被判定为OK的产品中。

深度学习被认为是一种试图通过人工智能学习来定义好产品的这种变化的方式。它有可能对好产品进行检测，即使它们没有相同的图像。它有可能被应用于所有类型的视觉检查，包括那些有小的变化，但统计方法有几个问题。

• 确定性。对变化的容忍度越大，好产品的比例就越高。换句话说，好产品的范围增加了，OK级产品成为好产品的概率降低了。
• 学习的即时性。在统计处理中，注册额外的好产品和更新上下限图像的过程是即时的。另一方面，深度学习则需要几个小时的重新学习。
• 硬件限制。GPU是用来训练深度学习的。为了训练目前市场上普遍使用的2M和5M相机的图像，需要一个内存超过20GB的GPU，这就大大增加了成本。这种GPU内存容量问题使其难以建立具有超高像素相机或多个相机的系统。
• 软件问题。这是一个快速变化的技术，一年后的环境可能会非常不同。如果你使用商业产品，你可以期待制造商的支持，但另一方面，你也必须支付许可证费用。
• 成本问题。作为一个粗略的指导，统计方法为150万，深度学习为300万；成本增加约150万日元是不可避免的。考虑到自动化的预算为1000万日元，这是一个关键的成本增加。

考虑到这些问题，使用 "深度学习处理一切 "并不是一个好主意，对于高精度的物体，应该使用统计方法。对于统计方法无法处理的变化较大的对象，深度学习可能是目前最好的选择。

最后一点。如果我们要投资于解决好产品变异的检查的深度学习，那么投资于减少好产品变异的过程改进不是更有必要吗？如果好产品的变异减少了，缺陷产品的频率也应该大大降低。