四眼原则降低错误率

清楚地识别和评估车辆部件是再制造过程中的一项关键挑战。许多产品带有很多污垢，且磨损严重，几乎难以识别。截至目前，这项任务一直由专家手动完成，承受着巨大的时间压力。而弗劳恩霍夫IPK基于人工智能的辅助系统可以帮助该过程，其系统将根据四眼原则帮助员工识别和评估有缺陷的易损件，例如起动机、空调压缩机和交流发电机。

Fraunhofer IPK的科学家Marian Schlüter表示：“在汽车行业，一旦使用过的部件被移除，分拣中心就会根据某些标准对其进行评估，以确定它是否可以重复使用。然而零件号是唯一视觉上可靠的特征，一旦该号码不清晰易读，被划伤、涂漆，或者铭牌可能已经脱落，工人可能将其丢弃，而该零件就只能作为材料被回收。因此人工智能在此就发挥功效，可根据零件的外观识别使用过的零件，而不考虑零件编号，并进行回收更新。识别特征包括重量、体积、形状、尺寸和颜色等，但评估还包括客户和交付数据。当然工人可以发现松动组件或烧毁部件，这一点AI系统的图像处理功能尚无法做到。”

所以这个过程究竟需要什么？首先，对使用过的部件进行基于图像的处理，如系统扫描包装以收集有关产品组的信息。通过将此过程分解为子任务，识别的搜索范围从1:120,000减少到1:5000。然后用3D立体摄像机对使用过的部件进行称重和记录。将从基于图像的处理阶段获得的结果与零件特定商业数据的分析相结合，例如来源、日期和位置，系统能可靠地识别零件。信息会由两个人工智能系统同时处理。将基于图像的处理阶段的结果与特定零件商业数据的分析相结合，例如产地、日期和位置，系统能以可靠和全面的方式识别使用过的零件。

Marian Schlüter表示：“我们项目的任务是训练两个人工智能系统以分别用于图像处理和商业数据。我们将卷积神经网络用于图像处理AI方法。这些是机器学习领域的算法，专门从图像数据中提取特征。识别结果会显示给员工，员工则会收到一份带有预览图像和零件编号的建议列表，从而保持完全控制。人工智能被纳入正在进行的操作中，工作过程也不会中断。我们的人工智能系统可在传统的台式电脑上运行。公司的所有站点都可以通过云联网，这意味着一位员工的实践知识可以使其他站点的工人受益。这种多功能技术可用于所有类型的尺寸稳定组件。”

研究显示，该系统的识别准确率达98.9%。如与之前的方法相比，基于AI的识别可从废弃的70,000个废旧零件多识别出67,200个。