突然一闪。又一次，一阵极亮的光。又闪了几次。“这就是我们的集成相机。” 博世公司的的Ria Riemer 笑着说，“在希尔德斯海姆工厂的生产过程中，我们会对定子进行拍照——定子是这里生产的一种电机部件。”Riemer是该项目的负责人，主要涉及图像生成。

　　“很长一段时间以来，制造人员都会用肉眼检查零件是否存在可能的缺陷，”Riemer 解释道，但在过去的几年里，博世开始更多地使用自动光学检测。这是指使用基于人工智能的图像识别来检查零件的质量。根据现有的故障照片，系统已经学会了区分零件是否正常。

　　“这种方法非常可靠；问题是，我们需要大量的数据，”Riemer说，“我们要么要等很长时间，直到我们得到所有可能的故障类型的照片，要么我们需要故意损坏零件。”制造质量太高，无法产生足够的损坏图像。它之所以处于如此高的水平，是因为即使是几个错误也可能产生巨大的后果——在最坏的情况下，整个批次都要召回。

　　生成式AI突破了可行性的界限

　　当希尔德斯海姆工厂决定启动一条新产品类型的生产线时，它提出了一个问题：我们如何才能在不实际生产有缺陷的零件的情况下获得所有缺陷类型的足够图像？答案是生成式人工智能（AI）。

　　“这使我们能够在潜在故障类型和变体实际发生之前人工绘制它们，”博世研究院的数据科学家Laura Beggel说。她的团队使用生成式AI为该工厂创建人工图像，专家将其称为合成数据。

　　有多种方法可以生成此类数据。“根据可用的材料，生成式AI模型是用不同数量的真实数据训练的，”Beggel说，他的工作重点是生成式AI的开发和应用。“例如，您可以拍摄可比产品的图像作为基础，并将其应用于当前用例。我们利用现有的东西来创造新的东西。”

　　希尔德斯海姆的项目也采用了类似的方式。“现有产品类型的图像已经存在，” Beggel 说：“我们能够利用这些图像为新的使用案例生成故障图像，并训练基于AI的检测模型。”

　　在定子生产中，焊接电线以确保电动机中的电流可以畅通无阻地流动。在焊接过程中可能会出现多种不同类型的缺陷：例如，小孔、不需要的小块或太弱的焊缝等。

图1：在定子生产过程中，要对导线进行焊接，以确保电机中的电流畅通无阻。

　　解决方案带来可衡量的收益

　　“定子让我们特别好地利用了生成式AI的潜力。”Beggel和她的团队总共为该工厂生成了大约15,000张人工图像。这些基于每种故障类型的两位数真实图像。

　　“多亏了生成式AI，我们现在可以在更早的阶段训练我们的模型进行自动光学检测，这使产品的质量更好。”Riemer 说。该工厂预计，与传统方法相比，新方法的项目工期将缩短6个月，从而使年生产率大幅提高。

　　生产线上的又一次闪光，总共十二次。“相机以 2D 和 3D 形式捕捉定子的所有部分，”Riemer 项目团队的工程师兼图像处理专家 Timo Schwarz 说。

　　AI根据真实和人工生成的图像学习好零件和故障零件的特征。当看到新照片时，AI会运用其知识，并在几分之一秒内确定零件是否有缺陷。如果确实有故障，零件会自动返回生产过程并返工。零件无法返工的唯一情况是形成了一个小块。

　　Schwarz 目前正在一条新生产线上训练用于视觉检查的 AI 模型。“一开始，AI经常会发现假定的故障，即使焊缝实际上是可以接受的。”他解释说，“所以我们试图可靠地识别所有错误，并完善将零件分类为‘OK’的规则。”例如，AI目前将弱焊缝标记为故障，但从专家的角度来看，焊缝已经足够好了。Schwarz会手动重新训练模型，直到它像识别完美零件一样可靠地识别故障。

图2：AI根据真实图像和人工生成的图像，学习好部件和故障部件的特征。

　　第一条试验线于2023年底在希尔德斯海姆启动，今年年初又启动了另一条试验线。“每个定子有时会有数百个焊点，” Schwarz说，“人类平均捕捉到的错误率为70%至90%，而AI模型的完成率几乎达到 100%。”他有没有把真实的图片错当成人工生成的图片？“当然，”他笑着说。“反之亦然。”

　　人工生成的图像很难用肉眼与真实图像区分开来——而这正是目标。博世公司计划将希尔德斯海姆工厂采用的方法推广到捷克的吉拉瓦工厂和美国的查尔斯顿工厂。项目经理Riemer将在投产期间为现场工厂提供支持。“我认为像这样站在最前沿真是太好了，”她说，“生成式AI使创建以前从未见过的图像成为可能。这将改变很多事情。

　　生成式AI也在斯图加特-费尔巴赫等其他博世工厂进行试点，并计划跟进更多工厂。“生成式AI将是制造业提高效率和质量的最大杠杆之一，”Beggel 说，“通过生成式AI，我们不仅可以优化现有的AI解决方案，还可以促进这项技术在博世的广泛应用。”