部安防企业担任算法总监的年轻人。此人名叫何志远，三十五岁，毕业于中科院自动化所，在工业视觉检测领域有近十年的从业经验，主导过多条手机零部件外观检测线的算法开发。他在了解了源点智能实验室的技术路线后，对类脑网络与机器视觉的结合表现出了极大的兴趣，几乎没有讨价还价就接受了 邀约。
柔性抓取方向，林语通过一位学术圈的朋友介绍，结识了某高校机器人研究所的副教授方旭东。方旭东在软体机器人领域耕耘了七八年，发表过十多篇高水平论文，但在现行的高校评价体系下，应用型研究很难获得足够的经费支持和职称晋升空间。林语向他描绘了源点智能实验室正在做的事情——用液态金属和类脑网络打造真正能够适应复杂环境的智能机械臂——方旭东听后沉默了很久，然后说了一句：“我在学校里憋了太久，想到真正的前线去看看。”
工艺建模方向，林语招募了一位从某德资汽车零部件企业离职的工艺专家。这位名叫孙国平的专家在汽车发动机缸体加工工艺领域积累了二十多年的经验，对切削参数、刀具寿命、冷却液配比等细节了如指掌。他在参观了矿区的智能生产线后，给出了一个让陆迪峰印象深刻的评价：“你们这条线，硬件已经达到了国际一流水平，但对加工工艺的理解还停留在教科书层面。工艺不是公式，是经验。而经验，是需要时间和试错来积累的。”
随着研发团队的扩充，智能生产线的产品迭代速度明显加快。研发中心成立后的第一个月，就完成了对第一代智能生产线产品的全面 回测，梳理出了二十多项需要改进的问题，涉及视觉识别准确率、机械臂运动平滑度、AGV 路径规划效率等多个方面。
何志远接手视觉系统后，做的第一件事是重建了训练数据集。他发现，原有的数据集虽然规模不小，但样本多样性不足——大部分图像是在矿区车间相对均匀的光照条件下拍摄的，物体摆放位置也比较规整。而真实工厂的环境要复杂得多：光照可能来自多个方向且有阴影，工件可能随意堆叠且有油污覆盖，传送带上可能有振动导致图像模糊。他带领团队花了三周时间，跑了六家不同类型的工厂，采集了超过十万帧真实生产环境下的图像数据，然后用这些数据重新训练了视觉识别模型。新模型在测试集上的识别准确率从百分之九十四点五提升到了百分之九十八点二，对油污覆盖工件的识别准确率更是从百分之七十一跃升到了百分之九十六。
方旭东加入后，对机械臂的末端执行器进行了一次彻底的 重新设计
本章未完，请点击下一页继续阅读！