品質檢測獲得視野提升：人工智慧如何提高產品品質。

人類角色的新興轉變不僅僅是讓他們遠離重複性工作，進行其他體力活動。包括人工智慧在內的非人類參與者承擔可以自動化的任務時，人類不一定被排除在外，但很可能發揮更高的附加值和指導作用，將他們的認知能力帶入人工智慧循環。

這包括人工智慧使能的非人類實體和人類之間的積極協同作用，從而產生新的工作配置。這種配置賦予人類角色新的角色，而不是貶低他們。因此，越來越多的人認識到，將人類納入人工智慧循環中，而不是替換他們，不僅是提升了人類在這樣的工作環境中的角色，而且顯著增強了機器學習過程，因此也增強了人工智慧使能實體的新興能力。

視覺檢測系統在收集描述產品製造品質的參數方面扮演著重要角色。這是由於能夠在基於產品圖像分析的一個系統中控制許多產品參數。在此同時，視覺檢測系統可以將描述產品品質的參數與產品序號，以及製造產品的技術參數相關聯。

關於產品品質和過程參數的數據集會直接發送到品質管理系統，並且用於評估過程對其變化做出反應。比如說，食品產業正將在生產的每個階段引入視覺系統。收到原材料進行生產時，目前會使用分類系統進行材料分類。

隨著神經網絡的發展，已經出現了使用這種方法進行水果品質分級的解決方案。所有系統，無論使用的成像方法或所用的圖像分析算法如何計算，都在品質管理系統框架內工作，並且確保收到生產的原材料的品質。類似的視覺技術發展也出現在木工行業中。最初的科學論文和實施討論了使用2D單色、彩色圖像進行木材表面分析及表面缺陷檢測使用的傳統圖像分析算法。後來的研究測量方法擴展到3D解決方案。這些解決方案應用於研究木材生長和評估木材表面缺陷。

在工業中進一步發展視覺系統的下一階段看到了使用機器學習方法的實現。然而，在汽車行業中觀察到了最具動力的視覺系統開發。可以假設，每個新設計的生產線和技術站都配備了控制製造產品和過程參數的整合視覺檢測系統。

隨著產品複雜度的增加，操作員進行檢驗的準確度降低。同樣，在 Sandia國家實驗室進行的一項研究中，人類操作員正確剔除精密製造零件的準確率為 85%，而行業平均水平為 80%。最近的一項研究得出的結論是，在石油和天然氣行業的品質控制中，操作員錯誤佔了23%的不準確性。多年來，基於計算機視覺的系統已納入磁頭、鋼帶、注射器和半導體等產品的檢測過程中。