自18世紀(jì)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(hào)：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(fēng)暴。

根據(jù)麥肯錫的統(tǒng)計(jì)，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(jià)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(píng)價(jià)：“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(jī)器視覺帶入生產(chǎn)流程，如何利用邊緣計(jì)算和人工智能最大限度發(fā)揮機(jī)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(shí)現(xiàn)智能制造，「眼睛」很關(guān)鍵

智能制造實(shí)際上是由許多子技術(shù)結(jié)合而成的一個(gè)龐大概念。提供圖像數(shù)據(jù)并進(jìn)行處理的機(jī)器視覺系統(tǒng)、在邊緣和云端提供算力的云邊計(jì)算架構(gòu)、讓設(shè)備具備“學(xué)習(xí)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(gè)機(jī)器視覺系統(tǒng)的搭建提供了底層技術(shù)，云邊計(jì)算為承擔(dān)了大量數(shù)據(jù)負(fù)載的人工智能提供了算力保障。

而機(jī)器視覺則是整個(gè)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(jī)器視覺在多個(gè)行業(yè)已經(jīng)被廣泛應(yīng)用。

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

并且機(jī)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(jī)器視覺能夠幫助工廠提高檢測(cè)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(duì)企業(yè)實(shí)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(jī)器視覺提升自身的競(jìng)爭(zhēng)力。

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

傳統(tǒng)制造引進(jìn)機(jī)器視覺，還要過兩關(guān)

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

對(duì)希望利用機(jī)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(xiàng)挑戰(zhàn)：一是如何將機(jī)器視覺和自己的需求結(jié)合，設(shè)計(jì)機(jī)器視覺的應(yīng)用場(chǎng)景；二則是如何開發(fā)機(jī)器視覺方案，完成自身需求。

而英特爾在機(jī)器視覺領(lǐng)域有著豐富的經(jīng)驗(yàn)。許多傳統(tǒng)制造企業(yè)為了將機(jī)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?yàn)槠髽I(yè)提供可靠的軟硬件平臺(tái)，而且還能夠提出完整可行的方案，幫助企業(yè)將機(jī)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(gè)例子。

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

在奧迪的內(nèi)卡蘇爾姆工廠，每天奧迪會(huì)隨機(jī)選中產(chǎn)線上一輛車作為檢測(cè)對(duì)象，由18位手拿寫字板的工程師在一個(gè)房間里使用超聲波探頭測(cè)試焊接點(diǎn)并記錄每個(gè)點(diǎn)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(gè)帶有焊槍的機(jī)器人，他們每天制造1000輛汽車，形成超過500萬個(gè)焊縫。

而由于勞動(dòng)力有限，每天進(jìn)行的抽樣檢測(cè)只能隨機(jī)選擇其中的一輛車為樣本，這無法真實(shí)反映所有車輛的焊縫質(zhì)量情況。抽樣檢測(cè)的結(jié)果對(duì)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(dǎo)致在人工方案下，焊縫檢測(cè)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(jī)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(jī)器視覺技術(shù)，并重新設(shè)計(jì)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(cè)焊接操作時(shí)的電壓和電流曲線等數(shù)據(jù)，并與實(shí)際曲線對(duì)比，在邊緣處理后反饋給模型，指示焊槍的下一步行動(dòng)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(cè)，而是可以在一天內(nèi)完成對(duì)所有焊縫的檢測(cè)，這解決了此前人工方案中檢測(cè)不全面的問題。同時(shí)，人力成本也隨之下降了30%-50%。

這套方案還具有更多擴(kuò)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(cè)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(jī)器視覺順利的在奧迪得到了應(yīng)用。但對(duì)企業(yè)來講，只是將機(jī)器視覺引入到生產(chǎn)中還不夠，輔以邊緣計(jì)算帶來的更高效的算力和符合生產(chǎn)實(shí)際的人工智能模型，才能夠真正發(fā)揮機(jī)器視覺的作用。

AI與邊緣計(jì)算造就智能制造「完全體」

在實(shí)際生產(chǎn)中，機(jī)器視覺、人工智能、邊緣計(jì)算三者密不可分。

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

如果在引入機(jī)器視覺的同時(shí)不能很好的利用邊緣計(jì)算和人工智能，就無法運(yùn)用好機(jī)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(jī)工廠很早就啟動(dòng)了在工業(yè)視覺檢測(cè)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(shí)際操作中經(jīng)常出現(xiàn)反饋超時(shí)問題導(dǎo)致檢測(cè)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(shí)有發(fā)生。當(dāng)企業(yè)興奮的將機(jī)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?yàn)橐酝囊曈X檢測(cè)方案依賴公有云/私有云部署AI檢測(cè)模型的方式，這樣經(jīng)常會(huì)導(dǎo)致網(wǎng)絡(luò)堵塞。

傳統(tǒng)的“云-端”架構(gòu)中，核心算力遠(yuǎn)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(shí)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(jì)算是個(gè)好選擇。

邊緣計(jì)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(jí)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(fù)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(jì)算領(lǐng)域的專家。

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

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

圖 面向洗衣機(jī)面板檢測(cè)場(chǎng)景的中國(guó)電信 5G MEC 邊緣云平臺(tái)

洗衣機(jī)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(cè)效率不高而造成的積壓?jiǎn)栴}，檢測(cè)準(zhǔn)確率也從80%上升至95%。新方案部署后，檢測(cè)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(fù)責(zé)監(jiān)督設(shè)備的正常運(yùn)行，工作強(qiáng)度大大降低。

而作為機(jī)器視覺的“大腦”，人工智能模型的準(zhǔn)確性則將直接影響機(jī)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(shí)別系統(tǒng)，人工智能要考慮生產(chǎn)環(huán)境中光線、振動(dòng)等因素對(duì)識(shí)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(shí)別的場(chǎng)景

如果人工智能模型不能準(zhǔn)確的結(jié)合生產(chǎn)實(shí)際，那么機(jī)器視覺系統(tǒng)得到的結(jié)論往往會(huì)出現(xiàn)偏差，甚至導(dǎo)致生產(chǎn)效率降低。

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

為了解決企業(yè)痛點(diǎn)，英特爾與生產(chǎn)企業(yè)合作為機(jī)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(xué)習(xí)的字符識(shí)別解決方案。

對(duì)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(zhǔn)確率高達(dá)99%，推理時(shí)間僅為10-20ms，且只需要少量樣本就可以完成模型訓(xùn)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(jī)器視覺的門檻得以降低。

在這個(gè)科技日新月異的時(shí)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(jìn)可靠的解決方案，以機(jī)器視覺為突破口，擁抱智能化的未來。為了讓更多人了解機(jī)器視覺帶來的創(chuàng)新與改變，英特爾已在官網(wǎng)上線了《機(jī)器視覺特刊 2022》,欲了解更多機(jī)器視覺相關(guān)內(nèi)容，請(qǐng)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。