1 引? ? ? ?言

隨著工業(yè)數(shù)字化、智能化轉(zhuǎn)型逐漸深入，智能制造的逐步推進(jìn)，市場對于工業(yè)機(jī)器視覺的需求也將逐漸增多，工業(yè)機(jī)器視覺逐漸形成規(guī)模化的產(chǎn)業(yè)。機(jī)器視覺主要用計算機(jī)來模擬人的視覺功能，也就是把客觀事物的圖像信息提取、處理并理解，最終用于實際檢測、測量和控制。機(jī)器視覺具有高度自動化、高效率、高精度和適應(yīng)較差環(huán)境等優(yōu)點，將在我國工業(yè)自動化的實現(xiàn)過程中產(chǎn)生重要作用。在工業(yè)領(lǐng)域，機(jī)器視覺對計算的高效性有嚴(yán)格的要求，將數(shù)據(jù)傳輸至云端計算可能無法滿足高效實時的需求，同時考慮到在工業(yè)現(xiàn)場中存在大量異構(gòu)的總線連接，設(shè)備之間的通信標(biāo)準(zhǔn)不統(tǒng)一，需要將計算資源部署在工業(yè)現(xiàn)場附近才能滿足需求，邊緣計算成為了關(guān)鍵節(jié)點，起到了重要的作用。工業(yè)機(jī)器視覺目前在智能制造中主要用于四個方面：識別、檢測、識別和測量。傳統(tǒng)機(jī)器學(xué)習(xí)算法使用人工輸入的特征提取代碼來訓(xùn)練算法，而深度學(xué)習(xí)算法使用現(xiàn)代技術(shù)自動提取這些特征。深度學(xué)習(xí)算法在視覺圖像分類、語義分割、目標(biāo)檢測、顯著性檢測等任務(wù)上取得了很高的準(zhǔn)確性 , 甚至超過人的認(rèn)知水平。深度學(xué)習(xí)技術(shù)的引入以后，人工調(diào)試的研究大大減少。因為深度學(xué)習(xí)可以很好的解決視覺圖像輪廓影像檢測，雖然深度學(xué)習(xí)還無法保證其100%可靠性，但是可以通過技術(shù)手段已經(jīng)可以實現(xiàn)相當(dāng)高的可靠性。

2.邊緣計算在工業(yè)制造中的應(yīng)用

近年來，伴隨著大數(shù)據(jù)、云計算、人工智能的發(fā)展，互聯(lián)網(wǎng)產(chǎn)業(yè)即將面臨巨大的變革。大數(shù)據(jù)時代每天的數(shù)據(jù)量十分巨大，而物聯(lián)網(wǎng)環(huán)境因為地理位置分散，對響應(yīng)時間和安全性要求更高。現(xiàn)今云計算雖然為大數(shù)據(jù)處理提供一個很好的平臺，但網(wǎng)絡(luò)速度遠(yuǎn)遠(yuǎn)趕不上數(shù)據(jù)增長的速度，網(wǎng)絡(luò)帶寬的問題需要硬件上跨時代的突破才能解決，云計算模式在邊緣端很難滿足實時性和帶寬要求。在云計算難以滿足邊緣端計算的需求背景下，邊緣計算應(yīng)運(yùn)而生。邊緣計算是指在互聯(lián)網(wǎng)邊緣上計算和存儲資源，它可以選擇性接入互聯(lián)網(wǎng)。這個網(wǎng)絡(luò)邊緣在地理上和網(wǎng)絡(luò)上都接近用戶。邊緣計算可以在數(shù)據(jù)源附近進(jìn)行處理，這樣能很好保護(hù)數(shù)據(jù)安全性，同時還能增加響應(yīng)實時性。邊緣計算分析將復(fù)雜算法模型從云端下沉到邊緣，對生產(chǎn)現(xiàn)場數(shù)據(jù)進(jìn)行實時分析和反饋控制，可以在沒有網(wǎng)絡(luò)連接的情況下處理數(shù)據(jù)。終端無需傳輸在網(wǎng)絡(luò)邊緣收集到的所有數(shù)據(jù)，而是在本地或者更靠近數(shù)據(jù)源的地方處理數(shù)據(jù)，這有助于避免嚴(yán)重的“最后一公里”延遲問題。對于需要快速決策的終端，在本地處理數(shù)據(jù)可以讓它們做出更快的響應(yīng)。此外，通過本地分析，可以將僅僅相關(guān)的數(shù)據(jù)發(fā)送回云服務(wù)器來減輕網(wǎng)絡(luò)負(fù)載。云平臺則將實現(xiàn)海量工業(yè)數(shù)據(jù)統(tǒng)一集成管理，提供信息模型、數(shù)據(jù)治理機(jī)制、數(shù)據(jù)共享、數(shù)據(jù)標(biāo)識以及數(shù)據(jù)可視化等全流程的操作和服務(wù)。?

圖1 邊緣計算架構(gòu)圖

邊緣計算架構(gòu)圖如圖1所示：在云端定義基礎(chǔ)數(shù)據(jù)模型，將模型下發(fā)到各邊緣服務(wù)器，邊緣服務(wù)器對數(shù)據(jù)模型通過業(yè)務(wù)接口下發(fā)到工業(yè)視覺終端上。終端在收到數(shù)據(jù)模型后，根據(jù)數(shù)據(jù)模型對采集的本地圖像數(shù)據(jù)進(jìn)行識別、檢測和測量，獲取信息特征，將特征值以及加工過數(shù)據(jù)上傳至邊緣服務(wù)器。邊緣服務(wù)器對所管理的工業(yè)視覺終端數(shù)據(jù)進(jìn)行匯總，加工數(shù)據(jù)以及信息發(fā)送至云端服務(wù)平臺。云端服務(wù)平臺通過對數(shù)據(jù)進(jìn)行提純，對移動終端相關(guān)的硬件信息，狀態(tài)信息，軟件信息，關(guān)聯(lián)的用戶信息以及生產(chǎn)數(shù)據(jù)等等，將流程問題抽象成領(lǐng)域模型問題，再將領(lǐng)域模型抽象成數(shù)據(jù)模型。工業(yè)視覺識別系統(tǒng)在電子制造行業(yè)中的應(yīng)用，電子制造生產(chǎn)線多樣，工藝復(fù)雜，工業(yè)視覺主要應(yīng)用于3C電子檢測、顯示屏檢測與線路板檢測，形成從部件模組到整機(jī)的閉環(huán)檢測，其中3C電子檢測更為復(fù)雜。通過預(yù)先在邊緣端設(shè)置訓(xùn)練好缺陷識別模型，在流水線通過機(jī)器視覺缺陷檢測，及時計算匹配出貼裝過程產(chǎn)生的元器件裝反、漏裝、裝錯、位置不準(zhǔn)確等問題。?

圖2 PCB板缺陷類型

工業(yè)視覺識別系統(tǒng)在鋼鐵工業(yè)中的應(yīng)用，鋼筋數(shù)量統(tǒng)計（計數(shù)）是鋼材生產(chǎn)過程中的重要環(huán)節(jié)。鋼筋經(jīng)過打捆以后，現(xiàn)場的計數(shù)工人主要使用不同顏色的彩筆來多次標(biāo)記以區(qū)分已計數(shù)和未計數(shù)的鋼筋，對于工人長時間高強(qiáng)度的工作，其視覺和大腦很容易出現(xiàn)疲勞，計數(shù)誤差大大增加，很明顯人工計數(shù)已經(jīng)不能滿足鋼筋生產(chǎn)廠家自動化生產(chǎn)的需求。因此，研發(fā)鋼筋數(shù)量統(tǒng)計（計數(shù)）多目標(biāo)檢測機(jī)器視覺方法是一個十分迫切且重要的問題，對減輕人工工作勞動強(qiáng)度，提高鋼筋數(shù)量統(tǒng)計的效率和準(zhǔn)確性具有重要作用。將工業(yè)視覺系統(tǒng)固定在生產(chǎn)線上，當(dāng)信號觸發(fā)時將拍攝圖像直接輸出到邊緣端，控制器進(jìn)行識別計算后直接輸出鋼筋數(shù)量。?

3.AI數(shù)據(jù)模型訓(xùn)練與壓縮

人工智能的定義是讓機(jī)器實現(xiàn)原來只有人類才能完成的任務(wù)。機(jī)器學(xué)習(xí)專門研究計算機(jī)怎樣模擬或?qū)崿F(xiàn)人的學(xué)習(xí)行為，是人工智能的核心。通過機(jī)器學(xué)習(xí)的重要方法深度學(xué)習(xí)，通過對大量圖像的識別訓(xùn)練，反復(fù)調(diào)整模型參數(shù)，獲取目標(biāo)需求所需的訓(xùn)練模型。考慮到工業(yè)生產(chǎn)環(huán)節(jié)不良品占比少、圖像數(shù)據(jù)收集困難的現(xiàn)狀，本項目擬研究無監(jiān)督學(xué)習(xí)的異常檢測，將少量不良品與大量良品區(qū)別開來，獲取不良品數(shù)據(jù)再進(jìn)行人工標(biāo)注。?

圖4 異常檢測與樣本學(xué)習(xí)流程

近年，深度模型的壓縮和加速一直是學(xué)術(shù)界、工業(yè)界的研究熱點，可以將體積龐大的深度模型壓縮至極小。最新的人臉檢測深度模型在基本達(dá)到主流算法性能的同時，已經(jīng)能夠壓縮至1MB大小，最新的目標(biāo)檢測算法YOLO nano也壓縮到了5MB以內(nèi)，能夠滿足嵌入式平臺的要求。在端末設(shè)備上優(yōu)化AI算法，設(shè)計友好的邊緣計算硬件方案，是邊緣計算最關(guān)鍵的技術(shù)問題。深度學(xué)習(xí)在人工智能領(lǐng)域取得了重大突破，但高存儲高功耗的深度網(wǎng)絡(luò)模型，嚴(yán)重制約了在硬件資源有限環(huán)境下的使用，需要對模型進(jìn)行壓縮。目前，卷積神經(jīng)網(wǎng)絡(luò)（CNN）的壓縮算法大多是針對卷積的某一特性進(jìn)行研究或基于其他輔助的基礎(chǔ)上進(jìn)行研究。然而，這些方法可能導(dǎo)致CNN模型準(zhǔn)確率的快速下降，或局限于較小的CNN模型和大型數(shù)據(jù)集到小型數(shù)據(jù)集的遷移學(xué)習(xí)上，無法得到更為廣泛的應(yīng)用。采用基于動態(tài)閾值的網(wǎng)絡(luò)權(quán)重剪裁，為了保證裁剪網(wǎng)絡(luò)壓縮率和準(zhǔn)確率的平衡，采用迭代裁剪的方法，根據(jù)權(quán)重絕對值大小進(jìn)行網(wǎng)絡(luò)的裁剪，即尋找最合適的權(quán)重，讓剪裁后的模型損失與未剪裁的模型損失盡量一致。考慮到網(wǎng)絡(luò)中各層的權(quán)重及其分布各不相同，因此對每一層分別進(jìn)行裁剪，權(quán)重裁剪流程如下：（1）取一個較小的初始裁剪率，根據(jù)該層的權(quán)重分布進(jìn)行裁剪，將權(quán)重最小的一部分進(jìn)行裁剪；（2）對裁剪后的網(wǎng)絡(luò)進(jìn)行正則化微調(diào)訓(xùn)練，獲得裁剪后的模型準(zhǔn)確率，再計算剪裁前后模型準(zhǔn)確率的差值；（3）若裁剪前后模型準(zhǔn)確率差值小于設(shè)定好的閾值，則增加裁剪率，返回第一步；否則，結(jié)束裁剪。通過對龐大且冗余模型的裁剪，在有限的性能下，提高邊緣計算的運(yùn)行效率，滿足工業(yè)機(jī)器視覺系統(tǒng)的需求。

4. 總? ? ? ?結(jié)

AI邊緣計算用于工業(yè)視覺識別場景，在性能改善、減少操作成本和保障數(shù)據(jù)安全上有一定優(yōu)勢。工業(yè)制造中常見的狀態(tài)跟蹤、缺陷檢測、零件定位等需求，在工業(yè)生產(chǎn)環(huán)境中邊緣計算設(shè)備可在生成和使用數(shù)據(jù)的視覺終端處理與存儲數(shù)據(jù)，而無需將數(shù)據(jù)傳到遙遠(yuǎn)的數(shù)據(jù)中心，如此可以保證響應(yīng)的實時性、更低的成本、結(jié)合分布式存儲和邊緣智能計算將進(jìn)一步提高隱私數(shù)據(jù)的安全性等。通過AI與邊緣計算的在工業(yè)視覺識別系統(tǒng)中的深度結(jié)合，將大幅提高生產(chǎn)自動化水平，裝備的使用效率、可靠性及穩(wěn)定性等。

編輯：黃飛
?