工業場景下AI質檢關鍵技術及平臺架構研究

周華 鄭榮 肖榮

摘 ?要：文章闡述了制造型企業在工業4.0時期所面臨的智能化挑戰，以產品質量檢驗環節為切入點，詳細分析了工業場景下智能化質檢場景涉及的關鍵技術，并提出了基于云邊協同的智能質檢平臺架構。該平臺架構結合云端算法訓練能力和MEC邊緣計算推理能力，面向工業質檢場景，能夠快速實現AI推理能力的邊緣化部署，推動了工業智能化場景的廣泛應用。

關鍵詞：計算機視覺;機器學習;深度神經網絡;工業質檢;MEC;容器化

中圖分類號：TP391.4 ? ? ? 文獻標識碼：A文章編號：2096-4706（2022）05-0149-04

Research on Key Technology and Platform Architecture of AI Quality Inspection under Industrial Scene

ZHOU Hua， ZHENG Rong， XIAO Rong

（Shanghai Ideal Information Industry （Group） Co.， Ltd.， Shanghai ?201315， China）

Abstract： This paper expounds the intelligent challenges faced by manufacturing enterprises in the period of industry 4.0. It takes the product quality inspection link as the pointcut， analyzes the key technologies of intelligent quality inspection scene in the industrial scene in detail， and proposes an intelligent quality inspection platform architecture based on cloud edge collaboration.The platform architecture combines the cloud algorithm training ability and MEC edge computing and reasoning ability. It can quickly realize the edge deployment of AI reasoning ability in the face of industrial quality inspection scene， and promote the wide application of industrial intelligent scenes.

Keywords： Computer Vision; Machine Learning; Deep Neural Network; industrial quality inspection; MEC; container

0 ?引 ?言

工業4.0是以智能制造為主導的第四次工業革命，目標是工業制造過程中各個環節盡可能通過智能系統自動化進行，通過智能技術將工業生產運作效率提高到一個新的高度。從國家層面來說，《中國制造2025》是國家戰略，“十四五”規劃綱要也明確提出了要推動我國制造行業的數字化改造，通過建設智能制造示范工廠，完善智能制造的標準體系，加快數字化發展，加強關鍵數字技術創新應用。從企業角度來講，智能化也是提升企業效率、強化產品質量的有效途徑。但是，隨著制造企業產線的生產自動化程度越來越高，對產品質量以及生產效率的要求也越來越嚴格，傳統人工和相對簡單的質量檢測手段已不能夠滿足企業對產品質量控制的需要。不過令人振奮的是，隨著計算機技術和基礎理論的發展，基于計算機視覺[1]的智能質量檢測技術也得到了迅猛發展。尤其是機器學習/深度學習技術的跨越式發展，令以前大部分人眼難以直接量化的特征問題，都得到了很好的技術解決方案。特別是在圖像分類、目標檢測這些問題上，深度學習技術取得了非常顯著的效果。

1 ?智能質檢關鍵技術

1.1 ?卷積神經網絡技術

深度神經網絡[2]是機器學習（Machine Learning， ML）領域中一種技術，2006年，“深度學習三巨頭”之一的Hinton教授提出了在非監督數據上建立多層神經網絡的方法，證明了深度神經網絡擁有強大的特征提取能力，從此進入了深度學習時代。當前最流行的神經網絡是深度卷積神經網絡（Deep Convolutional Neural Networks， CNNs）。因為準確率和泛化能力等原因，目前提到的卷積神經網絡，一般都指深層結構的卷積神經網絡，根據網絡設計，層數通常在數十上百層左右。CNNs可以自動從大規模數據中自動學習特征，并具備很強的泛化能力，因此在很多技術研究領域都取得了很好的應用效果，例如：語音識別、自然語言處理（NLP）以及包括圖像識別、圖像分割在內的計算機視覺領域。

通常一個深度卷積網絡會由多個卷積層、池化層以及全連接層組成，如圖1所示。卷積層與池化層相互配合可組成卷積組，用于逐層提取原始圖像數據的特征（Feature）。最后，深度卷積網絡會通過一個或多個全連接層完成原始數據的分類。可以說卷積層主要對輸入圖片數據進行特征提取，而池化層，主要是為了降低數據維度。卷積神經網絡具有局部感知和參數共享兩個特點，降低了網絡模型的復雜度，減少了權值的數量，可以有效地從大量樣本中學習到相應地特征，避免了復雜的特征提取過程。

卷積網絡在本質上是對Input數據到Output的映射，在此過程中神經網絡通過前向傳播、后向傳播及梯度下降等方式，學習大量Input數據與Output之間的映射關系，用已知的模式對卷積神經網絡加以訓練，網絡就具有輸入數據和輸出數據之間的映射能力。

圖1 ?深度卷積網絡

從最早的LeNet5，到確立深度學習在計算機視覺的統治地位的AlexNet，以及后來發揚光大的VGG、GoogleNet、ResNets等模型，這些重大的技術突破都是基于深度卷積神經網絡。CNNs及衍生出來的網絡模型直接將圖像數據作為輸入，不僅無須人工對圖像進行耗時耗力的特征抽取等復雜操作，而且以強大的特征提取能力，使得對圖像的識別結果在某些方面甚至超過人類水平。

1.2 ?MEC邊緣計算技術

隨著物聯網系統及工業智能制造的發展，邊緣計算等相關技術也開始發揮出越來越重要作用。現階段國家政策背景下，大量制造型企業對高質量發展的需求不斷增加，對業務及時性和數據隱私等要求力度進一步升級，呈現出智能化、柔性化和精細化的發展趨勢，因此邊緣計算（MEC）技術得到了大量推進與應用。

在工業制造領域，邊緣計算處于物理實體和工業連接之間，或處于物理實體的頂端，是在設備及數據生產源側，部署融合基礎設施（算力、存儲、網絡）及智能應用能力的分布式架構體系，從而形成全新的業務模式，就近提供邊緣算力及智能化的服務，滿足制造型企業在對業務實時性、數據安全性、業務隱私性以及應用智能化等方面的關鍵性需求，從數據采集歸集、知識模型化、管理柔性化以及端到端的產業協作等方面來推動制造行業的數字化發展。

邊緣計算在制造業中的物理架構實現形式主要以邊緣網關、邊緣云為主，企業可根據自身需求選擇相應的架構。邊緣網關及邊緣云基于云原生的云邊協同架構，采用容器、虛擬化等基礎設施管理技術，構建邊緣數據采集分發集成平臺/網關，主要實現邊緣測的設備數據采集，人員、設備、物料、環境、業務管理等數據的統一接入、集中存儲以及智能分析處理等功能。

此外，隨著邊緣計算在制造型企業中的廣泛應用，云端計算與邊緣計算的協同效應也在快速增強，云邊協同成為制造業數字化改造的主要手段。這主要是由于一方面邊緣計算在工業產線上作用巨大，可以實現業務數據本地處理及生產現場的實時控制反饋;另一方面，企業也需要云端平臺的能力，聚焦于長周期、大數據的處理。

1.3 ?微服務容器化部署技術

隨著微服務架構的出現，業界很多平臺架構都從單體服務轉變成微服務化，尤其是一些架構復雜，業務比較廣泛的項目，微服務化是大勢所趨，可以解決獨立構建、更新、運維等一系列問題，從而解放生產力，促進交付效率和質量。容器化[3]技術也是微服務架構中不可或缺的關鍵技術之一。在工業場景下，由于各種條件限制導致本地環境和云上環境存在較大差異，通過云端直接部署到本地的應用需要各種修改配置和參數來做兼容，導致無法快速本地發布。面對此類問題，容器化部署是個很好的解決方案。

容器（container）是指隔離開的一系列進程，由鏡像提供支持進程所需的全部文件。容器提供的鏡像包含了應用的所有依賴項，因而在從開發到測試再到生產的整個過程中，它都具有可移植性和一致性。虛擬化使得多個操作系統可同時運行在單個系統上，而容器則可共享同一個操作系統的內核，將應用程序與系統其他部分隔離開，容器化的最大優勢在于對于相同的硬件占用空間更小，可以比虛擬機運行更多的實例，如圖2所示。

圖2 ?虛擬化和容器

容器提供了一個打包和運行應用的隔離環境，其隔離和安全特性允許你在一個主機同時運行多個容器。容器化技術以其獨特的優勢，被廣泛應用應用的自動化打包和發布、自動化測試和持續集成、發布以及構建PaaS平臺環境。

采用容器化部署的優勢有：

（1）輕量化，系統開銷小：與KVM之類的虛擬化方案相比，能夠更加快速和占用更少資源;

（2）安全隔離與高利用率：有較好的資源隔離限制能力，確保應用安全;容器服務與底層共享操作系統，資源利用率高;

（3）快速部署：無須重新啟動操作系統，秒級實現開啟/關閉;

（4）運行環境標準化：基于容器鏡像實現環境一致性和標準化。

2 ?工業智能質檢能力平臺架構

工業智能質檢能力平臺總體架構如圖3所示，總體分為應用前臺、運營中臺、數據后臺和能力網關。應用前臺主要面向工業領域客戶提供具體的應用服務，主要包括企業生產流程中涉及安全生產、工業質檢、日常巡檢等各類場景的機器視覺智能算法應用服務，一定程度上實現通用場景能力的跨行業橫向復制;運營中臺負責平臺的運營、運維管理，主要包括配置服務門戶、日常監控管理、算法管理、調度管理等功能;數據后臺負責客戶數據接入、AI算法生產、模型發布、容器管理及模型適配等功能;能力網關主要負責平臺AI檢測能力的開放和邊緣側平臺及工業網關設備的對接。平臺核心的功能界面如圖4和圖5所示。

此外，為了實現工業場景下的快速發布與部署，平臺可采用5G MEC[4]或邊緣智能終端實現云邊協同，5G MEC和工業網關用于提供邊緣測的算力。通過云邊協同實現工業視覺應用與5G網絡緊密融合，利用5G高帶寬、低時延、大連接的特性，便于快速賦能產線業務，同時也滿足移動化智能應用場景需求。通過5G MEC能力，一方面可實現工業視覺平臺AI能力的快速邊緣化部署，為工業產線提供各種不同的產線AI質檢能力;另一方面可實現產線推理結果的數據反饋，用于AI檢測模型的優化提升，進一步形成線上與線下的正向循環[5，6]。

3 ?結 ?論

工業質檢是每個制造型企業提升生產效率及產品質量必須關注的環節，盡管目前工業場景下很多質檢環節受制于基礎設施等條件，尚無法實現完全智能化、自動化，但隨著算力芯片技術高速發展、智能算法的逐步優化以及基礎網絡設施的完善，智能質檢是大勢所趨，智能質檢平臺會有更大的普適性。最后，隨著國家“十四五”規劃對制造業技術智能化的要求以及中國制造2025戰略的持續推進，必將推動整個工業智能化的整體進程高速發展。

參考文獻：

[1] 李東.計算機視覺技術在工業領域中的應用 [J].電子技術與軟件工程，2017（16）：147.

[2] 趙永強，饒元，董世鵬，等.深度學習目標檢測方法綜述 [J].中國圖象圖形學報，2020，25（4）：629-654.

[3] 彭勇，謝劍，童遙，等.一種基于Docker的數據中心云平臺實現方法及系統 [J].中興通訊技術，2017，23（2）：60-62.

[4] 孔令義.“5G+MEC”為智能制造賦能的部署應用 [J].電信科學，2019，35（10）：137-145

[5] 呂華章，張忠皓，李福昌，等.5G MEC邊緣云組網研究與業務使能 [J].郵電設計技術，2019（8）：20-25.

[6] 李杰，李響，許元銘，等.工業人工智能及應用研究現狀及展望 [J].自動化學報，2020，46（10）：2031-2044.

作者簡介：周華（1979—），女，漢族，江蘇無錫人，中級工程師，本科，研究方向：AI能力、工業智能化場景、大數據挖掘與分析;鄭榮（1981—），男，漢族，江蘇無錫人，高級工程師，碩士，研究方向：AI能力、工業智能化場景、大數據挖掘與分析;肖榮（1975—），男，畬族，江西贛州人，教授級工程師，博士，研究方向：AI能力、工業智能化場景、大數據挖掘與分析。