全球智能制造市场将在不久的将来实现显着增长，据《市场研究》（Research and Markets）的一份报告预测，2020年至2025年的复合年增长率为12.4％，市场规模约为3848亿美元，而2020年为2147亿美元。该分析公司表示，这种增长是制造过程中的工业自动化，并且通过软件解决方案对减少时间和降低成本的需求不断增加。

AI驱动的故障检测是工业自动化领域新兴需求和创新领域的一个很好的例子。引起关注的部分趋势是，在制造过程的两个关键领域中，自动进行故障检测的能力至关重要–将其作为预测性维护计划的一部分和作为质量保证工具的一部分来检测工厂机械中的故障，以确保制造输出符合规格。

机器视觉

一个关键的技术共性是对可靠且高度可配置的机器视觉的需求，尤其是在QA过程中，在该过程中，发现表面缺陷是该过程的关键要素。传统的机器视觉解决方案（例如自动光学检查（AOI））依靠不灵活的规则或所谓的“黄金图像”来将产品图像与已知的无缺陷图像进行比较。但是，这里的问题是，任何误报都会导致不必要的浪费，而相反的情况则会使有缺陷的零件通过。在这个灰色地带，人工智能可以改变有效性。在某些情况下，它可以提供高达95％的改进，还消除了误报。

人工智能机器视觉的挑战和好处

有趣的是，制造商转移到AI故障检测环境的主要挑战之一是确保用于训练AI的数据清晰无歧义。例如，人工检查往往是主观的，不同的检查员会通过或未通过相同的缺陷，因此将主观通过/失败数据合并可能导致模棱两可或矛盾的决策，从而导致模型不完善。即使拥有干净的数据来训练AI，也只是过程的一小部分。确实，训练用于视觉检查的概念验证AI模型可能只占整个部署总时间和成本的10％。

另一个关键挑战是确保材料和环境因素（例如照明）的一致性。这两种方法中的任何一种更改都可能立即导致非常高的错误率，需要重新校准或重新训练模型。然后，这需要成功的部署才能使环境变化检测系统处于运行状态。但是，除了故障检测之外，环境变化检测系统还可以提供广泛的好处。例如，分段系统可能会提高工人的安全性（如果在受限区域检测到运动，则通过自动切断机器的动力），监视火、烟或其他空气质量危害（如灰尘或气体泄漏）的安全性。