Intel制造行業AI案例分享：美的工業視覺檢測云平臺

[項目背景]

作為白色家電行業領軍企業，美的集團希望通過完整、可復制的產品缺陷檢測方案，來完善其智能制造產業鏈中的關鍵環節。

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

典型的機器視覺系統架構

美的希望通過新的技術方法來優化和升級檢測方案，打造以下能力：

? 對單個檢測項目形成通用的推理算法，并可推廣至不同產線；

? 可在任何產線上做到無縫部署，不干擾現有生產和工藝流程；

? 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

和延遲的穩定；

? 整個檢測過程在 100 毫秒以內完成，識別率達到 98% 以上。

來自生產一線的海量數據資源，讓美的具備了利用 AI 技術，特別是深度學習方法，來解決上述問題的基礎，并通過與英特爾展開深入的技術合作，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，構建了基于深度學習的工業視覺檢測云平臺，為旗下各產線提供瑕疵檢測、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大數據分析和 AI 平臺，來構建從前端數據預處理到模型訓練、推理，再到數據預測、特征提取的全流程，還針對美的各生產線的實際檢測需求，為新方案選擇了輕銳的 SSDLite + MobileNetV2 算法模型并實施優化，令新方案進一步提升了效果。

美的預設的機器視覺檢測云平臺架構

【解決方案】

一、基于 Analytics Zoo 的端到端解決方案

如前所述，美的設計的機器視覺檢測云平臺架構主要由前、后端兩部分組成，由工業相機、工控機等設備構成圖像采集前端，部署在工廠產線上，經云化部署的英特爾 架構服務器集群則組成云平臺的后端系統。

執行微波爐缺陷檢測的工業機器人

在前端，執行圖像采集的機器人通常裝有多個工業相機，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，當系統開始工作時，通過機器人與旋轉臺的聯動，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，根據檢測需求確定需要傳輸到云端后，再將數據傳送到后端云服務器，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器中，基于 AnalyticsZoo 構建了端到端數據分析流水線方案。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線工業相機 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據并進行預處理，構造 出 TensorFlowTensor 的 彈 性 分 布 式 數 據 集（ResilientDistributed DataSet，RDD）。整個訓練流程可以自動從單個節點擴展到基于英特爾 架構服務器的大型 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）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據，方案使用 PySpark

將原始圖像數據讀取到 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 評估圖像數據集，使用 PySpark、TensorFlow 和 BigDL在Analytics Zoo 上，以分布式方式在 Spark 集群上執行大規模模型評估（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 服務中，以實現低延遲的在線服務（例如，Web 服 務、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，系統會將識別結果傳遞給機械臂等自動化設備來執行下一步動作。

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化，其英特爾 高級矢量擴展 512（IntelAdvanced Vector Extensions 512，英特爾 AVX-512）等技術得以大展拳腳，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 架構優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輔助檢測系統的工作效能，關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 建TensorFlow 模型。

[方案價值]

1.將深度學習的方法引入工業輔助檢測領域，不僅讓美的工業視覺檢測云平臺可以快速、敏捷、自動地識別出待測產品可能存在的問題，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，即便檢測內容和環境發生變化，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，克服了傳統視覺檢測過于依賴圖像質量的問題。新方案在美的產線中實際部署后，達到了很好的應用效果。從已有 9 條產線的實際部署測試數據來看，該方案對現有產線的影響幾乎為零。

4.由 Analytics Zoo 提供統一的數據分析+ 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所耗費的人力物力成本。

5.相比傳統的工業視覺方案，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%。

歸一化的美的工業視覺檢測云平臺方案成效對比

6.同時，經英特爾優化的SSDLite + MobileNet V2 目標檢測算法模型也有效提升了方案的執行效率和準確率。來自一線的數據表明，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 秒縮減到現在的 124 毫秒。

責任編輯：xj

原文標題：Intel制造行業AI案例分享：美的工業視覺檢測云平臺

文章出處：【微信公眾號：新機器視覺】歡迎添加關注！文章轉載請注明出處。