关于人工智能(AI)有很多问题。在非用户中常见的一个问题是:人造的东西真的能产生现实世界的好处吗?越来越多的汽车制造商已经准备好并能够提供肯定的答案。

一家这样的公司是沃尔沃汽车，最近从uveye使用基于AI的ATLAS检查系统开始。自2020年2月以来，沃尔沃与乌斯兰达·瑞典托索拉的制造厂实施了阿特拉斯。在那里，几个系统相机在装配线的末端快速执行每个刚组装车辆的360度扫描，以检测像划痕和凹痕的化妆品缺陷。

“该系统已被证明比手动检验过程更高效，准确，”乌韦德省首席战略官员David Oren Notes David Oren。“任何和所有外部瑕疵都会立即被系统拾取并在大屏幕上显示给主治技术员。”

在2020年1月的消费电子展(Consumer Electronics Show)上，另一家汽车OEM本田(Honda)宣布与UVeye合作，作为本田Xcelerator计划的一部分，投资创新技术。

“从数字信息的角度来看，Vision技术一直以AI为基础，”Oren说。“这是因为AI向Vision系统捕获的像素提供了意义，并且自20世纪90年代以来，无论视觉系统使用的算法如何。”

其他汽车制造商正在以有限的方式使用地图集，包括丰田，斯柯达和戴姆勒。然而，奥伦表示，该系统有可能大大改变汽车，供应商，经销商和主要舰队运营商在不久的将来检查车辆的方式。

检测微小的外部缺陷只是第一步。奥伦认为，接下来，世界各地的oem将使用该系统自动检查车辆底盘、悬挂系统、钣金和轮胎的缺失部件、生产后损坏和其他质量相关问题。

毫无疑问，UVeye的AI引擎是Atlas系统众多功能的关键技术。但是，还有其他的，包括该公司的专有算法、云架构、传感器融合和机器学习。

从检测炸弹来寻找划痕

阿特拉斯系统如何成为一个有趣的故事，延伸了6.5年。2014年夏天，Amir Hever目睹了以色列车辆的手动检查安全威胁。传统的方法在长杆末端的镜子上有一个安全守卫，在车辆下面圈出镜子，以尝试点击武器或爆炸物。

考虑到这项测试已经过时，不可靠，最重要的是，生活威胁，Hever决定与他的兄弟Ohad找到Uveye。他们的公司名称是车辆眼睛的缺点。

到2016年秋季，乌韦德制定了一个名为Helios的检查系统的固定和移动版本，可自动检测任何车辆的底盘上的视觉异常。固定单元版本最适合具有永久入口的设施，而移动版尤其适用于必须轻松扫描过往车辆的执法机构，安全公司和智能组织。

2017年，UVeye在以色列Smart Mobility和EcoMotion贸易展上展出，吸引了汽车制造商对Helios的极大兴趣。UVeye开始与这些公司合作，以确定其产品的可行性。oem表示，他们想要一个系统，可以检测车辆的外表面和起落架上的异常。

“我们能够从软件的角度来看Helios技术，并为车辆外部构建硬件来检测异常，”笔记oren。“这些可能包括凹痕，划痕，冰雹损伤和对准问题。”

进一步的工作导致了2017年8月Atlas检测系统的开发。两家德国oem在2018年和2019年进行了试点项目，UVeye还在2018年4月的贸易展上对该系统进行了现场演示。此后，日本、欧洲和北美的汽车制造商对阿特拉斯的兴趣与日俱增。

“两家德国制造商都发现阿特拉斯发现的异常比人工检查时工人发现的多10%到40%，”奥伦说。“这些问题是油漆屑和0.2到0.3毫米大小的微划痕。”

良好的视野狭窄

与地图集系统的车辆检查很快就会发生。根据oren的说法，典型的循环时间为5至20秒，根据汽车尺寸。

该系统的主要组成部分是一个铝隧道，车辆通过，通常在终了的传送带。这条隧道长2米，高3.5至4米，宽4.5米。

奥伦解释说:“这个隧道框架内置了多个传感器、几盏灯和20多个工业视觉摄像机。”“当车辆进入隧道时，它的灯就会亮起来，传感器触发附近的数据库，该数据库通过VIN号码识别汽车，包括它的品牌、型号、年份以及颜色和尺寸等关键特征。”

接下来，相机从360度的角度拍摄汽车的许多照片。奥伦说，每个摄像头每秒拍摄数百张高分辨率图像，平均每辆车拍摄几千张。

“最令人印象深刻的是系统为每辆车编写大约10千兆字节的图像数据，”Oren说。“在透视图中，典型的2小时，高清电影包含大约4千兆字节的数据。”

一旦汽车通过隧道，数据处理阶段就开始了。所有图像数据被同时发送到现场和离线(云)服务器进行分析。后者可以是公共的，也可以是私有的，例如由OEM操作的。

“分析阶段发生超级快速，并包括创建车辆的3D模型，该模型表明所有异常存在的地方，”oren说。“此模型有助于与汽车的所有不同部分相关联。”

几秒钟之内，结果就会在一个大屏幕上显示给工作站操作员或操作员。他们了解是否存在缺陷，如果存在，缺陷具体位于何处。工厂的质量经理也可以根据需要从他办公室的电脑上访问这些信息。此外，所有数据都存储在系统中，以供将来参考和进一步分析，如确定车辆某些区域的异常趋势，如车门或侧板。

奥伦表示，图册系统采用多层技术，带有离上的传感器，相机和底部的照明。上面是几层数据处理，将大量的视觉数据分成块。在顶部是使用深度学习的AI引擎来分析数据并在不同程度的分辨率下提供异常检测，以精度为0.1毫米。

“制造商真的类似的是，阿特拉斯使数据数字化能够消除对手写数据的需求，这更容易受到错误，”诺伦解释道。“它还给出了OEM的自由来调整他们想要的检测水平，具体取决于所检查的车辆类型;例如，高级豪华车与经济紧凑型。“

限制和机遇

尽管阿特拉斯拥有先进的人工智能能力，但该系统确实有一些值得注意的局限性。一是它有99.99%的万无一失。“没有什么是百分百可靠的，”奥伦承认。

另一个限制是，它只能用于汽车的外部。“oem经常问我们，该系统是否能够发现汽车内部的缺陷，”Oren说。“我们必须诚实地对他们说不。”

阿特拉斯确实对最终用户提供了一些挑战。首先，在车辆检查期间，工人绝不能出现在隧道中的任何地方。这样做会导致光学堵塞。“如果oren的说法，相机只能检测到它们，”如果oren说。

OEM还需要将地图集检测系统正常集成到其装配线的末尾。虽然这样做不需要对工厂的物理变化或增加TAB时，但它确实影响了先前进行了手动检查的工人。

“该公司可能很长一段时间做了手动检查，但现在该过程已经数字化，工人正在进行新方法，”Oren说。“因此，这些工人现在有更多的时间来在汽车检查之间执行其他任务。这种转变可能是具有挑战性的，但是，因为每个公司的情况有点不同，所以没有简单的公式为最终用户遵循它。“

到目前为止，每个OEM一次实施了ATLAS系统的一个班次。这让公司在适用的第二个和第三班之前在系统中锻炼了扭结。

有几个用户设置了系统，以便所有异常都立即固定在工厂。其他人更喜欢将车辆发送到另一个修理工作的地点。此外，OEM可能或可能没有其工人标记异常。这一切都是一个偏好。

根据oren的说法，uveye始终保持所有系统组件的所有权。最终用户只需为检查的每辆车支付固定费用。

奥伦说:“假设OEM每年在一条装配线上平均检查6万辆汽车。”“如果阿特拉斯系统发现的损伤仅比公司的人工检查过程多5%，就可以为制造商节省数十万美元。”

为了优化系统的正常运行时间，UVeye主动地远程监控每个Atlas安装。奥伦说，维护包括UVeye每年至少对工厂进行一次访问。oem也可以自行进行额外的维护。

系统安装后立即培训将监督系统的工人。每个最终用户公司还获得详细的培训手册和维护指南。

“维护是最小的，因为在地图集上没有移动部件，”诺伦解释道。“它只是安装在连接到计算机的框架上的传感器，灯和相机。但是，如果其中一个灯开始闪烁或相机停止工作，我们会立即了解它，最终用户也会如此。“

UVeye对Atlas系统有短期和长期的目标。该公司目前的重点是汽车市场的增长和研发，包括一级供应商使用Atlas检查新收到的零部件和新生产的产品或组件的缺陷，因为它们在传送带上移动。奥伦希望该系统能应用于交通的各个领域，比如火车、地铁和航空。

奥伦总结道:“我们经常与汽车工程师合作，有时他们并不能立即明白大众感知质量的重要性。”“在新车上发现任何划痕都会改变客户对制造商的看法，而且是以消极的方式。”