蓋世汽車訊 每年都有大量廢舊零件進入廢料場進行回收。然而，再制造交流發電機、起動機等再回收方法的資源效率要更高，不僅可以減少浪費，還可降低二氧化碳排放量并延長產品的使用壽命。在EIBA項目中，德國弗勞恩霍夫協會生產設備和設計技術研究所（Fraunhofer Institute for Production Systems and Design Technology IPK）正在開發一種基于人工智能的輔助系統，以基于圖像半自動識別廢舊零部件，而無需二維碼或條形碼。該系統可幫助工人進行分類，以便可以將更多使用過的組件分揀進行再制造。

四眼原則降低錯誤率

清楚地識別和評估車輛部件是再制造過程中的一項關鍵挑戰。許多產品帶有很多污垢，且磨損嚴重，幾乎難以識別。截至目前，這項任務一直由專家手動完成，承受著巨大的時間壓力。而弗勞恩霍夫IPK基于人工智能的輔助系統可以幫助該過程，其系統將根據四眼原則幫助員工識別和評估有缺陷的易損件，例如起動機、空調壓縮機和交流發電機。

人機合作

Fraunhofer IPK的科學家Marian Schlüter表示：“在汽車行業，一旦使用過的部件被移除，分揀中心就會根據某些標準對其進行評估，以確定它是否可以重復使用。然而零件號是唯一視覺上可靠的特征，一旦該號碼不清晰易讀，被劃傷、涂漆，或者銘牌可能已經脫落，工人可能將其丟棄，而該零件就只能作為材料被回收。因此人工智能在此就發揮功效，可根據零件的外觀識別使用過的零件，而不考慮零件編號，并進行回收更新。識別特征包括重量、體積、形狀、尺寸和顏色等，但評估還包括客戶和交付數據。當然工人可以發現松動組件或燒毀部件，這一點AI系統的圖像處理功能尚無法做到。”

所以這個過程究竟需要什么？首先，對使用過的部件進行基于圖像的處理，如系統掃描包裝以收集有關產品組的信息。通過將此過程分解為子任務，識別的搜索范圍從1:120,000減少到1:5000。然后用3D立體攝像機對使用過的部件進行稱重和記錄。將從基于圖像的處理階段獲得的結果與零件特定商業數據的分析相結合，例如來源、日期和位置，系統能可靠地識別零件。信息會由兩個人工智能系統同時處理。將基于圖像的處理階段的結果與特定零件商業數據的分析相結合，例如產地、日期和位置，系統能以可靠和全面的方式識別使用過的零件。

Marian Schlüter表示：“我們項目的任務是訓練兩個人工智能系統以分別用于圖像處理和商業數據。我們將卷積神經網絡用于圖像處理AI方法。這些是機器學習領域的算法，專門從圖像數據中提取特征。識別結果會顯示給員工，員工則會收到一份帶有預覽圖像和零件編號的建議列表，從而保持完全控制。人工智能被納入正在進行的操作中，工作過程也不會中斷。我們的人工智能系統可在傳統的臺式電腦上運行。公司的所有站點都可以通過云聯網，這意味著一位員工的實踐知識可以使其他站點的工人受益。這種多功能技術可用于所有類型的尺寸穩定組件。”

研究顯示，該系統的識別準確率達98.9%。如與之前的方法相比，基于AI的識別可從廢棄的70,000個廢舊零件多識別出67,200個。（劉麗婷）