自18世紀60年代以來的三次工業(yè)革命已經(jīng)深刻地改變了工業(yè)生產(chǎn)的方式。雷峰網(wǎng)(公眾號：雷峰網(wǎng))

而隨著近年來人工智能、大數(shù)據(jù)等技術(shù)的興起，智能制造正在工業(yè)制造領(lǐng)域掀起新風暴。

根據(jù)麥肯錫的統(tǒng)計，2025年智能制造將為全球帶來1.2萬億至3.7萬億美元的價值。

巨大的前景使所有的廠商都在不遺余力地向智能制造狂奔。

正如解決方案供應(yīng)商Elliance首席執(zhí)行官Cheng Boon Seng的評價：“朝向智能化發(fā)展已經(jīng)不再是一種選擇，而是成為了企業(yè)的必經(jīng)之路?！?/p>

在傳統(tǒng)企業(yè)向智能制造轉(zhuǎn)型的過程中，還面臨著諸多挑戰(zhàn)。如何將機器視覺帶入生產(chǎn)流程，如何利用邊緣計算和人工智能最大限度發(fā)揮機器視覺的作用，更快速，更有效的向智能制造轉(zhuǎn)型，已經(jīng)成為了傳統(tǒng)企業(yè)共同的問題。

實現(xiàn)智能制造，「眼睛」很關(guān)鍵

智能制造實際上是由許多子技術(shù)結(jié)合而成的一個龐大概念。提供圖像數(shù)據(jù)并進行處理的機器視覺系統(tǒng)、在邊緣和云端提供算力的云邊計算架構(gòu)、讓設(shè)備具備“學習能力”的人工智能，都是智能制造的重要組成部分。

它們之間的關(guān)系相輔相成：人工智能為一個機器視覺系統(tǒng)的搭建提供了底層技術(shù)，云邊計算為承擔了大量數(shù)據(jù)負載的人工智能提供了算力保障。

而機器視覺則是整個智能制造的“眼睛”，為人工智能提供視覺數(shù)據(jù)。

由于精確、高效的特性，機器視覺在多個行業(yè)已經(jīng)被廣泛應(yīng)用。

機器視覺常常被應(yīng)用在超越人類視覺極限的質(zhì)量檢測中：如在3C電子制造中，部分產(chǎn)品的瑕疵尺寸指標已經(jīng)小于10μm以下，超過了人類的分辨極限，而機器視覺技術(shù)則能夠檢測出人工不能察覺的瑕疵。在高速印刷中，部分產(chǎn)品檢測的精度要求也已經(jīng)超出人眼識別極限，現(xiàn)有的人工檢測流程已經(jīng)無法滿足要求，必須采用高速、高精度的機器視覺方案。

并且機器視覺也能夠大大提高工業(yè)生產(chǎn)的效率。例如在汽車生產(chǎn)中的質(zhì)檢、裝配等流程中，機器視覺能夠幫助工廠提高檢測和裝配的效率，有效提升大部分系統(tǒng)和組件的性能。無論是精度還是效率，對企業(yè)實現(xiàn)智能制造來說都至關(guān)重要。

這使得企業(yè)紛紛開始探索如何應(yīng)用機器視覺提升自身的競爭力。

但傳統(tǒng)企業(yè)要想真正發(fā)揮好機器視覺的力量，走向智能化，仍要面對重重挑戰(zhàn)。

傳統(tǒng)制造引進機器視覺，還要過兩關(guān)

對于傳統(tǒng)的制造企業(yè)來說，機器視覺是他們此前未曾接觸過的新事物。要將機器視覺應(yīng)用于生產(chǎn)中，沒有太多的過往經(jīng)驗可以借鑒。

對希望利用機器視覺來獲得效率提升的企業(yè)來說，在他們面前，仍有兩項挑戰(zhàn)：一是如何將機器視覺和自己的需求結(jié)合，設(shè)計機器視覺的應(yīng)用場景；二則是如何開發(fā)機器視覺方案，完成自身需求。

而英特爾在機器視覺領(lǐng)域有著豐富的經(jīng)驗。許多傳統(tǒng)制造企業(yè)為了將機器視覺加入生產(chǎn)流程，選擇與英特爾合作。

英特爾不僅能夠為企業(yè)提供可靠的軟硬件平臺，而且還能夠提出完整可行的方案，幫助企業(yè)將機器視覺帶入生產(chǎn)中。

英特爾與著名車企奧迪的合作就是一個例子。

在車輛生產(chǎn)中，焊縫的檢測是一個關(guān)鍵步驟。在實際生產(chǎn)中，奧迪在這一步采用了抽樣檢測、人工檢測的方法。

在奧迪的內(nèi)卡蘇爾姆工廠，每天奧迪會隨機選中產(chǎn)線上一輛車作為檢測對象，由18位手拿寫字板的工程師在一個房間里使用超聲波探頭測試焊接點并記錄每個點的質(zhì)量。

這么做的缺陷顯而易見，奧迪的內(nèi)卡蘇爾姆工廠的生產(chǎn)線上900個帶有焊槍的機器人，他們每天制造1000輛汽車，形成超過500萬個焊縫。

而由于勞動力有限，每天進行的抽樣檢測只能隨機選擇其中的一輛車為樣本，這無法真實反映所有車輛的焊縫質(zhì)量情況。抽樣檢測的結(jié)果對于未被抽樣的車輛的焊接質(zhì)量也并無肯定的說服力。

這導致在人工方案下，焊縫檢測的可信度不夠且成本很高。

奧迪的工程師們知道這一流程中存在的問題，但找不到更好的方案。

英特爾的機器視覺方案則讓奧迪看到了新的可能性。奧迪采用了英特爾的機器視覺技術(shù)，并重新設(shè)計了生產(chǎn)流程。

該方案從焊槍控制器獲取數(shù)據(jù)，用人工智能模型預(yù)測焊接操作時的電壓和電流曲線等數(shù)據(jù)，并與實際曲線對比，在邊緣處理后反饋給模型，指示焊槍的下一步行動以提升焊接質(zhì)量。

圖 英特爾與奧迪合作開發(fā)的解決方案

這套方案的效率相較人工方案大幅提升：現(xiàn)在奧迪不再需要抽樣檢測，而是可以在一天內(nèi)完成對所有焊縫的檢測，這解決了此前人工方案中檢測不全面的問題。同時，人力成本也隨之下降了30%-50%。

這套方案還具有更多擴展性：模型中不僅包括了電流和電壓數(shù)據(jù)，還包含了焊縫配置、金屬類型和焊條健康狀況等數(shù)據(jù)，不僅可以用來檢測焊縫質(zhì)量，還可以應(yīng)用到車間的更多流程的優(yōu)化中。

在英特爾的幫助下，機器視覺順利的在奧迪得到了應(yīng)用。但對企業(yè)來講，只是將機器視覺引入到生產(chǎn)中還不夠，輔以邊緣計算帶來的更高效的算力和符合生產(chǎn)實際的人工智能模型，才能夠真正發(fā)揮機器視覺的作用。

AI與邊緣計算造就智能制造「完全體」

在實際生產(chǎn)中，機器視覺、人工智能、邊緣計算三者密不可分。

如果說機器視覺是智能制造的“眼睛”，那么邊緣計算和人工智能就是它背后的“視神經(jīng)”。

如果在引入機器視覺的同時不能很好的利用邊緣計算和人工智能，就無法運用好機器視覺，甚至有可能適得其反。

一家位于天津，全球領(lǐng)先的洗衣機工廠很早就啟動了在工業(yè)視覺檢測領(lǐng)域的探索和研究。

但由于該工廠生產(chǎn)規(guī)模大，數(shù)據(jù)量大，實際操作中經(jīng)常出現(xiàn)反饋超時問題導致檢測失敗，使工人不得不執(zhí)行人工復(fù)核程序的情況，反而造成了效率降低，甚至引起積壓。

這種情況并不鮮見，在家電行業(yè)的工廠轉(zhuǎn)型過程中類似現(xiàn)象時有發(fā)生。當企業(yè)興奮的將機器視覺加入生產(chǎn)環(huán)節(jié)后，卻發(fā)現(xiàn)效率并沒有如預(yù)期一樣提升。

這是因為以往的視覺檢測方案依賴公有云/私有云部署AI檢測模型的方式，這樣經(jīng)常會導致網(wǎng)絡(luò)堵塞。

傳統(tǒng)的“云-端”架構(gòu)中，核心算力遠離產(chǎn)生海量數(shù)據(jù)的終端或邊緣，無法讓智能化方案真正發(fā)揮實力。

要想解決傳統(tǒng)“云-端”架構(gòu)中網(wǎng)絡(luò)阻塞的問題，引入邊緣計算是個好選擇。

邊緣計算能夠讓邊緣產(chǎn)生的數(shù)據(jù)在邊緣“就近處理”，而不必全部上傳至云端。將“云-端”架構(gòu)升級為“云-端-網(wǎng)-邊”架構(gòu)。這能夠增加數(shù)據(jù)處理的效率，減輕云端的負載，從而解決網(wǎng)絡(luò)阻塞的問題。

而英特爾同樣也是邊緣計算領(lǐng)域的專家。

英特爾基于對邊緣的理解和探索，提出了英特爾邊緣計算系列產(chǎn)品框架。硬件上，英特爾提供了至強、酷睿等處理器平臺，軟件上，英特爾則提供了英特爾工業(yè)邊緣洞見平臺（EII）和OpenVINO工具套件。橫跨軟硬件的生態(tài)讓英特爾能夠為企業(yè)提供可行、可靠的解決方案。

比如在剛剛提到的洗衣機工廠例子中，該工廠之后選擇部署了中國電信和英特爾深度合作打造的5G MEC邊緣云平臺的洗衣機面板視覺檢測方案。

圖 面向洗衣機面板檢測場景的中國電信 5G MEC 邊緣云平臺

洗衣機制造商在應(yīng)用了這套方案后，生產(chǎn)效率提高了20%，解決了過去因人工檢測效率不高而造成的積壓問題，檢測準確率也從80%上升至95%。新方案部署后，檢測工人也從舊方案的六人縮減至兩人，人力成本減少了三分之二，且這兩人只需要負責監(jiān)督設(shè)備的正常運行，工作強度大大降低。

而作為機器視覺的“大腦”，人工智能模型的準確性則將直接影響機器視覺的效果。

人工智能要落地生產(chǎn)，還需要考慮到生產(chǎn)環(huán)境中各種影響因素和成本問題。

比如包裝行業(yè)中的噴碼識別系統(tǒng)，人工智能要考慮生產(chǎn)環(huán)境中光線、振動等因素對識別結(jié)果的影響和樣本獲取、系統(tǒng)調(diào)試等問題給生產(chǎn)帶來的效益問題。

圖 包裝行業(yè)中噴碼識別的場景

如果人工智能模型不能準確的結(jié)合生產(chǎn)實際，那么機器視覺系統(tǒng)得到的結(jié)論往往會出現(xiàn)偏差，甚至導致生產(chǎn)效率降低。

面對這種復(fù)雜的情況，如何開發(fā)適用于實際生產(chǎn)的人工智能模型對于傳統(tǒng)企業(yè)來說是一個大麻煩。

為了解決企業(yè)痛點，英特爾與生產(chǎn)企業(yè)合作為機器視覺配套開發(fā)人工智能方案。

比如為了解決包裝行業(yè)面臨的環(huán)境噪聲多、樣本需求量大、調(diào)試復(fù)雜等問題，英特爾開發(fā)了一套基于深度學習的字符識別解決方案。

對于傳統(tǒng)視覺方案中因噪聲干擾無法判斷的問題，該方案的準確率高達99%，推理時間僅為10-20ms，且只需要少量樣本就可以完成模型訓練。

英特爾領(lǐng)先的技術(shù)和完整的產(chǎn)品解決方案讓企業(yè)能夠更輕松的獲得人工智能資源，使得企業(yè)在生產(chǎn)中應(yīng)用機器視覺的門檻得以降低。

在這個科技日新月異的時代里，企業(yè)向智能化轉(zhuǎn)型已經(jīng)成為了必然路徑。英特爾正在利用自身多年搭建的軟硬件生態(tài)，為企業(yè)帶來先進可靠的解決方案，以機器視覺為突破口，擁抱智能化的未來。為了讓更多人了解機器視覺帶來的創(chuàng)新與改變，英特爾已在官網(wǎng)上線了《機器視覺特刊 2022》,欲了解更多機器視覺相關(guān)內(nèi)容，請前往英特爾官網(wǎng)查看。

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。