计算机视觉在供应链管理中的应用
在供应链的原材料拣选或分发环节，计算机视觉技术可以帮助自动化持续改进项目，或称为“Kaizen”活动。作为和最近加入的Roboflower员工，Daniel Bender有幸在供应链环境中工作。他接受过精益六西格玛培训，并在木工工程和分销管理方面担任过职务。
以下是三个基于在家具和木材制造商的经验，为制造商和分销中心服务的计算机视觉应用示例。这些模型旨在作为可能的证明概念，尽管具体数据可能需要定制。使用Roboflow的工具在不到一天的时间内构建了这些示例用例。
这个木材识别模型可能是“Poka-Yoke”或错误防护木材拣选流程的潜在用例，对于家具制造商来说。木材制造商经常因为某些木材如白蜡木和白橡木之间的相似性而难以挑选正确的木材。如果错误地挑选了木材并在未被注意到的情况下进一步处理，所有的劳动力和材料都已浪费，流程重新开始。
作为可能的解决方案，木材制造商实施了一个分类模型，以检测在拣选时存在的木材种类，消除了操作员猜测他们正在挑选的木材种类的需要。该模型可以在木材站实施，将一张木材放在相机下，然后检测是否挑选了橡木或白蜡木（或其他木材）。有了这个强大的应用，制造商可以有效地消除人为错误，并100%地为工作生产正确的木材。
木材是一种天然原材料，容易受到损伤。在挑选木材时，还必须从上到下扫描木材以检测缺陷，例如结（见下图）。不仅如此；在进一步处理过程中可能会出现缺陷。一个强大的质量系统将在木材挑选阶段以及每个过程结束时实施一个目标检测模型，以考虑操作员错误。
类似于上一个模型，这个目标检测模型在挑选木材后识别木材中的缺陷。常见的缺陷包括结、锯齿或矿物条纹等。这个模型可以与分类模型一起运行。
最后讨论的模型适用于分销中心（DC）环境。在DC中，操作员可能会存储、准备和运输供应商材料。简而言之，DC是库存暂时的“枢纽”，直到它注定要进入供应链的下一步。
通常，库存以原始形式从供应商那里接收，并且必须处理以准备达到最终消费者。入库接收操作员打开库存并扫描每个SKU到他们的库存管理系统中。对于高容量分销商来说，这是一个繁琐的过程。例如，一个软线DC可能在一个包裹中打开200双小芭蕾舞鞋！不得不扫描每一个都是耗时的，并且阻碍了生产力。
如果能扫描第一个SKU，其余的交给计算机视觉呢？这里就是库存目标检测模型的应用。它检测库存的父条形码和一组样本库存。随着计数器的开发，这个模型可以在每个接收站设置并计算每个SKU，这样操作员就不必这样做了。接收吞吐量呈指数级增长。
通过应用案例模型 #3 捕获的两个SKU的库存及其相关的条形码。
这些应用只是计算机视觉在制造和质量保证中无尽机会的一小部分反映。木材识别模型通过在批量或工作中提取木材时消除人为错误，展示了其价值。库存计数器通过自动化SKU计数，呈指数级提高生产力，消除了扫描每个SKU的需要。
最后，木材缺陷模型服务于在失败点捕捉到质量差，消除了进一步处理缺陷部件的浪费。在Roboflow Universe上，这些三个项目是可用的，有超过200,000个公共数据集被创建并可供查看，甚至可以用于自己的应用。