用于ADAS相机制造的机器学习

实际上，世界上的每一家汽车制造商都在开发、购买或投资ADAS系统，以便将自动驾驶汽车推向市场。随着这一需求的上升，对高质量汽车相机模块的需求正在上升．

ADAS系统使用计算机视觉技术构建，充当自动驾驶汽车的“眼睛”。ADAS系统中嵌入了大量摄像头，和所有摄像头一样，它们都需要合适的镜头。为了保证配备adas的车辆能够无缝探测道路上的障碍物，如其他车辆、行人、树木等，每个镜头都必须高性能且可靠，这一点非常重要。

设计人员一直在努力创造性能最高的ADAS产品，但这些产品的生产可能非常困难或昂贵。因此，需要在性能、质量和成本之间取得平衡。通过使用大数据分析和机器学习等工具，制造过程中的数据可以用来减少新产品导入、生产时间和成本，从而使制造商能够设计出更具挑战性的产品，从而创造出性能异常出色的产品。

在本文中，我们将讨论如何结合机器学习来帮助您从供应链中收集数据，以及从装配线中获得见解，从而帮助生产以最少的废料制造的高质量产品。此外，我们将探讨您的业务可以采取哪些步骤来变得更加数据驱动，以确保您的ADAS系统具有高质量、低成本和高效的生产。

在制造相机之前测试它们
制造商在开发ADAS系统时面临的最大挑战之一是确定如何正确对齐和校准相机模块，同时在整个制造过程中保持对焦和对齐。不幸的是，在镜头与成像仪连接到PCBA之前，很难在早期判断哪些镜头将提供最佳性能。

单独测试每个镜头成本太高，花费太多时间。你也不可能假设你收到的每个镜头都是高性能的。一些透镜可能有更好的性能特征，如MTF，而其他透镜有光学缺陷，如散光或色差。那么，哪些镜头特性可以确保每次都能获得高性能，使您能够优化制造和测试流程，跳过增量测试流程，并保证客户获得最好的ADAS相机?

使用基于您的制造业务历史数据的机器学习模型，您可以通过多元分析来优化测试相机的过程。在这个过程中，您将最大限度地减少在装配线末端发生的故障，因为您将能够根据它们的特性预测哪些镜头在集成到相机模块中时可能会故障。(这是通过使用过去最终测试和现场数据的机器学习模型确定的。)

使用机器学习创建具有成本效益，高质量的汽车相机模块
让我们来看看你可以做些什么来确保你的ADAS系统在使用机器学习的时候是高性能、廉价和高效的。

定义你的目标和投入
装配过程中的报废处理主要有三种方式:

• 镜头性能筛选
• 缩短了CMAT装配时间
• 跳过基于CMAT和PCT的检测标准。

镜头筛选:虚拟筛选可以通过使用机器学习来比较最终测试(室内)和现场数据，并将其与传入的镜头检测数据相关联。这可以让您在组装过程中节省时间和报废，确保只有通过最终测试的可能性很大，并且在现场具有出色性能的镜头才会进入工艺。机器学习可以通过分类与最终测试和现场性能结果直接相关的镜头性能标准来提供帮助。

CMAT装配时间:通过机器学习和预测分析，您可以创建一个更好的对焦模型，以衡量哪个镜头将在整个FOV中提供最佳性能，减少拍摄时间和报废。下一步是将焦点和MTF与镜头相关联，以及与最终测试和现场数据相关联。

跳过装配线中的测试:使用基于机器学习的质量指标来确定相机模块的哪些部分可以跳过老化和PCT，这可以降低成本并改善时间管理。质量指数提供了一个分数(如果您愿意的话)，关于产品每个部分失败的可能性，因此，它允许您真正地衡量测试是必需的还是可以简单地跳过。

换句话说，质量指数高的产品不需要经过严格的测试，因为你知道它们会表现良好。

部署您的模型
使用机器学习是优化装配时间、提高现场产品性能、减少报废的强大工具。让我们更详细地讨论这个问题。不久前，开发一个模型还需要费力地收集和准备数据，创建和训练模型，然后创建基础设施，然后将模型部署到工厂。虽然这听起来可能不多，但魔鬼在于细节，这项工作将是一项艰巨的任务。然而，现在有很多方法可以自动化和缩短这个过程。

最大的优势是利用现有的工具和平台，如OptimalPlus, AWS，谷歌Cloud等，快速将您的模型导入到您的工厂。在某些情况下，您可能甚至不需要开发自己的模型，但可以使用那些已经创建并可用于数据训练的模型。这是访问这些平台的最大好处，可以自由决定是要完全定制的解决方案，还是要高性能的快速部署。

无论您决定采用何种方式，整个过程中最困难和最耗时的部分是收集、协调和准备数据。为了帮助缓解这一繁琐的部分，并使整个过程更高效，OptimalPlus开发了一套针对ADAS摄像机的完整解决方案套件，目标是减少报废，同时提高工厂效率，从数据收集和准备到ML模型，再到规则引擎，通过基于ML模型创建动作来关闭循环。

作为减少相机报废的一个例子，我们创建了一个基于随机森林的模型，能够将入射镜头特性与PCT和最终测试性能联系起来。我们的目标是确保只有最有可能通过所有后续测试的材料才能进入生产线。与大多数机器学习模型一样，强大的能力实际上在于模型的学习能力，并通过监督学习随着时间的推移通过更多的数据进行改进。因此，即使模型的性能一开始并不完美，也不用担心——它可以改进。

最后一个有趣的地方是，我们能够使用我们平台的多元分析功能来找到导致报废率高于预期的根本原因，例如环氧树脂批次。无论如何，最终目标是通过取消某些测试来节省时间和金钱，提高生产效率。

为正确的产品生命周期分析提供开放平台
在你的生产线上，需要大量的数据来正确地左移和最小化报废。为了正确地收集数据、分析数据，并将这些分析转化为可操作的业务目标和任务，需要使用正确的工具。

使用OptimalPlus开放平台，ADAS制造商可以正确地分析供应链每个步骤的数据，并利用这些数据对相机镜头、模块和ADAS设备的其他部分进行预测分析。

您需要理解您试图解决的问题的类型，创建模型，为用例训练它，并使用定义的度量评估它的性能。今天，有各种各样的机器学习模型被使用，包括梯度增强机、普通最小二乘、随机森林、广义线性建模和卷积神经网络。

然而，为了得到一个完整的模型，需要做很多工作，包括收集、协调和准备数据。这是一项非常耗时和昂贵的工作，需要提前计划，以便训练模型所需的数据量具有统计意义。一旦数据准备好使用，您就可以继续使用Jupyter Notebook等工具和AWS中可用的在线工具(SageMaker、Lambda等)对模型进行编码。

一旦您让模型达到可接受的标准，您将如何处理它?这有点像做了一顿美味的晚餐，但只把食物留在厨房里。您需要能够将模型反馈到工厂的边缘，以便创建规则和限制，以监视产品和流程的健康状况。同样，有许多方法可以做到这一点，例如使用OptimalPlus规则引擎。但是，您需要有一种实时使用规则的方法，而不是事后的方式，因为在产品经过之后才发现问题将导致大量不必要的浪费和时间损失。