Intel制造行業(yè)AI案例分享：美的工業(yè)視覺檢測云平臺

[項目背景]

作為白色家電行業(yè)領(lǐng)軍企業(yè)，美的集團希望通過完整、可復制的產(chǎn)品缺陷檢測方案，來完善其智能制造產(chǎn)業(yè)鏈中的關(guān)鍵環(huán)節(jié)。

由工業(yè)相機、工控機以及機器人組成的傳統(tǒng)視覺方案存在諸多問題，例如定制化方案開發(fā)周期長、成本高，檢測內(nèi)容多樣化造成參數(shù)標定繁瑣、工人使用困難，占用產(chǎn)線空間大，對工藝流程有影響。

典型的機器視覺系統(tǒng)架構(gòu)

美的希望通過新的技術(shù)方法來優(yōu)化和升級檢測方案，打造以下能力：

? 對單個檢測項目形成通用的推理算法，并可推廣至不同產(chǎn)線；

? 可在任何產(chǎn)線上做到無縫部署，不干擾現(xiàn)有生產(chǎn)和工藝流程；

? 在無人工干預情況下做到高魯棒性，并在全天候高頻次下，保證準確率

和延遲的穩(wěn)定；

? 整個檢測過程在 100 毫秒以內(nèi)完成，識別率達到 98% 以上。

來自生產(chǎn)一線的海量數(shù)據(jù)資源，讓美的具備了利用 AI 技術(shù)，特別是深度學習方法，來解決上述問題的基礎(chǔ)，并通過與英特爾展開深入的技術(shù)合作，提升了算法和算力。如圖所示，美的通過前端高清圖像采集、后端訓練推理的架構(gòu)，構(gòu)建了基于深度學習的工業(yè)視覺檢測云平臺，為旗下各產(chǎn)線提供瑕疵檢測、工件標定、圖像定位等一系列輔助檢測能力。

在這一過程中，英特爾不僅為新方案提供了 Analytics Zoo大數(shù)據(jù)分析和 AI 平臺，來構(gòu)建從前端數(shù)據(jù)預處理到模型訓練、推理，再到數(shù)據(jù)預測、特征提取的全流程，還針對美的各生產(chǎn)線的實際檢測需求，為新方案選擇了輕銳的 SSDLite + MobileNetV2 算法模型并實施優(yōu)化，令新方案進一步提升了效果。

美的預設(shè)的機器視覺檢測云平臺架構(gòu)

【解決方案】

一、基于 Analytics Zoo 的端到端解決方案

如前所述，美的設(shè)計的機器視覺檢測云平臺架構(gòu)主要由前、后端兩部分組成，由工業(yè)相機、工控機等設(shè)備構(gòu)成圖像采集前端，部署在工廠產(chǎn)線上，經(jīng)云化部署的英特爾 架構(gòu)服務(wù)器集群則組成云平臺的后端系統(tǒng)。

執(zhí)行微波爐缺陷檢測的工業(yè)機器人

在前端，執(zhí)行圖像采集的機器人通常裝有多個工業(yè)相機，或進行遠距離拍攝，用于檢測有無和定位；或進行近距離拍攝，用于光學字符識別（Optical Character Recognition，OCR）。

以微波爐劃痕檢測為例，如圖 2-1-6 所示，當系統(tǒng)開始工作時，通過機器人與旋轉(zhuǎn)臺的聯(lián)動，先使用遠距離相機拍攝微波爐待檢測面的全局圖像，并檢測計算出需要進行 OCR 識別的位置，再驅(qū)動近距離相機進行局部拍攝。相機采集到的不同圖像，先由搭載英特爾酷睿 處理器的工控機進行預處理，根據(jù)檢測需求確定需要傳輸?shù)皆贫撕?，再將?shù)據(jù)傳送到后端云服務(wù)器，實施深度學習訓練和推理。

基于Analytics Zoo 的美的新方案流程

通過雙方的緊密合作，英特爾幫助美的在其新方案后端的云服務(wù)器中，基于 AnalyticsZoo 構(gòu)建了端到端數(shù)據(jù)分析流水線方案。整個方案流程如圖所示，包括以下幾個主要步驟：

1.通過 Spark，方案以分布式方式處理來自各產(chǎn)線工業(yè)相機 獲 取 的 大 量 視 頻 和 圖 像。其 中，Analytics Zoo 使 用PySpark 從磁盤中讀取視頻或圖像數(shù)據(jù)并進行預處理，構(gòu)造 出 TensorFlowTensor 的 彈 性 分 布 式 數(shù) 據(jù) 集（ResilientDistributed DataSet，RDD）。整個訓練流程可以自動從單個節(jié)點擴展到基于英特爾 架構(gòu)服務(wù)器的大型 Hadoop / Spark集群，無需修改代碼或手動配置。

2.使用 TensorFlow 目標檢測 API 接口，直接構(gòu)建對象檢測模型，例如，可以采用輕量級的 SSDLite +MobileNet V2 模型。

3.直接使用在第一步中預處理的圖像RDD，以分布式方式在Spark 集群上訓練（或微調(diào)）對象檢測模型。例如，為了以分布式方式處理缺陷檢測流水線的訓練數(shù)據(jù)，方案使用 PySpark

將原始圖像數(shù)據(jù)讀取到 RDD 中，然后應用一些變換來解碼圖像，并提取邊界框和類標簽。

4.訓練結(jié)束后，可以基于與訓練流程類似的流水線，直接使用RDD 評估圖像數(shù)據(jù)集，使用 PySpark、TensorFlow 和 BigDL在Analytics Zoo 上，以分布式方式在 Spark 集群上執(zhí)行大規(guī)模模型評估（或推理）。

5.使用 Analytics Zoo中 POJO 模式的 API, 將整個 Pipeline輕松地部署于在線 Web 服務(wù)中，以實現(xiàn)低延遲的在線服務(wù)（例如，Web 服 務(wù)、Apache Storm、Apache Flink 等）。

通過這樣的方法，新方案可以對預處理過的圖像進行識別，提取出需要進行檢測的標的物，例如螺釘、銘牌標貼或型號等，并通過不斷地迭代分布式訓練提高對檢測物的識別率。最后，系統(tǒng)會將識別結(jié)果傳遞給機械臂等自動化設(shè)備來執(zhí)行下一步動作。

值得一提的是，英特爾 至強 可擴展處理器為新方案提供了另一項關(guān)鍵要素：計算力。部署在該云平臺中的英特爾 至強可擴展處理器得到了充分的性能優(yōu)化，其英特爾 高級矢量擴展 512（IntelAdvanced Vector Extensions 512，英特爾 AVX-512）等技術(shù)得以大展拳腳，以出色的并行計算能力，滿足了該云平臺在模型訓練和模型推理時對算力的嚴苛需求。

二、基于英特爾 架構(gòu)優(yōu)化的目標檢測算法模型

如前文所述，提升基于機器視覺的工業(yè)輔助檢測系統(tǒng)的工作效能，關(guān)鍵在于為其選擇高效、適宜的目標檢測。美的的新方案選擇了更適于實時目標檢測的SSDLite + MobileNet V2模型。

利用 Analytics Zoo，新方案使用 TFDataset 來表示一個分布式存儲的記錄集合，每條記錄包含一個或多個TensorFlowTensor 對 象。這 些 Tensor 被 直 接 用 作 輸 入， 來構(gòu) 建TensorFlow 模型。

[方案價值]

1.將深度學習的方法引入工業(yè)輔助檢測領(lǐng)域，不僅讓美的工業(yè)視覺檢測云平臺可以快速、敏捷、自動地識別出待測產(chǎn)品可能存在的問題，例如螺釘漏裝、銘牌漏貼、LOGO 絲印缺陷等。

2.更重要的是，該云平臺能夠良好適應非標準變化因素，即便檢測內(nèi)容和環(huán)境發(fā)生變化，云平臺也能很快適應，省去了冗長的新特征識別、驗證時間。

3.同時，這一方案也能有效地提高檢測的魯棒性，克服了傳統(tǒng)視覺檢測過于依賴圖像質(zhì)量的問題。新方案在美的產(chǎn)線中實際部署后，達到了很好的應用效果。從已有 9 條產(chǎn)線的實際部署測試數(shù)據(jù)來看，該方案對現(xiàn)有產(chǎn)線的影響幾乎為零。

4.由 Analytics Zoo 提供統(tǒng)一的數(shù)據(jù)分析+ AI 平臺，大幅降低了方案進行分布式訓練和推理以及提供低延遲在線服務(wù)所耗費的人力物力成本。

5.相比傳統(tǒng)的工業(yè)視覺方案，如圖所示，項目部署周期縮短了 57%，物料成本減少 30%，人工成本減少 70%。

歸一化的美的工業(yè)視覺檢測云平臺方案成效對比

6.同時，經(jīng)英特爾優(yōu)化的SSDLite + MobileNet V2 目標檢測算法模型也有效提升了方案的執(zhí)行效率和準確率。來自一線的數(shù)據(jù)表明，方案對諸多缺陷的識別率達到了 99.98%，推理預測時間從原先的 2 秒縮減到現(xiàn)在的 124 毫秒。

責任編輯：xj

原文標題：Intel制造行業(yè)AI案例分享：美的工業(yè)視覺檢測云平臺

文章出處：【微信公眾號：新機器視覺】歡迎添加關(guān)注！文章轉(zhuǎn)載請注明出處。