工業 4.0 范式鼓勵制造業使用機器學習、人工智能、云計算和工業物聯網 （IIoT） 技術來改進工業流程、產品質量，并降低成本和上市時間。

機器學習算法作為 OEM 的智能決策支持系統，適用于各種制造應用，例如：

預測性維護

產品質量控制改進

機器異常檢測

生產線監控

供應鏈管理等

智能工廠和倉庫通過連接的設備和分布式基礎設施不斷收集和共享海量數據。使用復雜的機器學習算法分析大量數據需要強大的計算能力。現有的本地和集中式云基礎設施是有能力的，但它們在延遲、巨大的帶寬消耗、安全相關問題等方面有其自身的局限性。一些智能工業應用程序需要低延遲才能實時訪問數據。為了減少延遲和帶寬使用，邊緣機器學習是解決方案。

大局觀：智能工廠邊緣的機器學習

邊緣機器學習是一種技術，可以使用機器學習或深度學習算法在設備級別或網絡“邊緣”的本地基礎設施進行數據處理，從而減少對云網絡的依賴。邊緣計算允許在邊緣運行計算密集型機器學習算法。這有助于生成更多實時分析，因此，現在可以為各個行業提供各種類型的應用程序。

在大多數情況下，機器學習模型是在 Tensorflow、Keras、Caffe 等框架中編程的。使用這些框架，編程模型在計算機系統（PC 或筆記本電腦）等高端平臺或 Microsoft Azure 等云平臺上進行訓練，谷歌云、亞馬遜AWS等。一旦模型被訓練，它就會被保存并部署在云平臺上，或者更多相關的嵌入式平臺上進行實時推理（預測），比如基于NXP IMX8M的設備。

AI/ML，尤其是邊緣機器學習，已經成為推動工業4.0發展的重要技術。在智能工廠中，提高產品質量發揮著非常重要的作用。

機器學習模型在各種制造操作中的應用

表面檢查：對于電子制造，表面檢查包括焊點檢查、完整性檢查、連接器引腳檢查、外觀外殼檢查等。

紋理檢查：在不同類型的物體中，它們的質量反映在它們的表面紋理上。因此，基于視覺的紋理檢測在決定物體質量方面起著重要作用。在膠合板制造中，木材是原材料。木材中存在的結會削弱木材并增加斷裂的可能性。這種弱點取決于它的大小、位置、數量和狀況。使用基于深度學習的視覺模型，可以檢測、計算木材中是否存在結節并測量其大小。

缺陷檢測：有許多示例表明基于視覺的算法可用于檢測產品中的缺陷。例如，在藥品制造中，基于視覺的模型可以幫助檢測各種缺陷，例如顏色偏差、膠囊中的凹痕或孔洞、不規則的形狀或損壞的邊緣或藥丸的裂縫等。它可以識別生產中的異物線。

隨著半導體技術的進步，可以在邊緣平臺上部署這些計算量大的算法。通過在各種 SoC 中集成圖形處理單元、數字信號處理、神經處理單元，可以在低功耗、低成本平臺上實現實時性能。

智能工廠如何確保產品質量？

在保持智能工廠生產的產品質量方面發揮非常重要作用的一些關鍵因素是：

機器的一致操作

為了使制造產品的質量始終如一，重要的是所有機器都在最佳狀態下以最高效率和最短停機時間運行。基于機器學習的預測性維護使用異常檢測等各種技術來早期識別機器故障并及時維護。監控各種物理參數，即振動、噪音、溫度、電力消耗等，并根據它們的異常行為預測維護。

對于制造商而言，預測性維護改變了游戲規則。它可以幫助他們為智能制造做出數據驅動的決策。借助各種低成本、低功耗的 MCU，這可以以非常具有成本效益的方式部署在工廠中。傳感器為各種物理屬性生成大量數據，將所有這些原始數據發送到云端以用于 ML 用例是不切實際的。利用邊緣設備的處理能力非常重要。

過程質量控制

在傳統的制造過程中，視覺檢查和質量控制相關活動由人工負責。人工檢查產品質量可能不準確。這會導致產品有缺陷、缺乏合規性和收入損失。為了克服這個問題，基于視覺的深度學習模型被用于智能工廠。

基于視覺的深度學習模型分類如下：

圖像分類：識別圖像中物體的存在，即木材、藥物、水果/蔬菜等。

對象定位：在識別對象的同時，確定邊界框以定位對象在圖像中的確切位置。

語義分割：這是指將圖像的每個像素鏈接到特定的類標簽。

Instance Segmentation：與語義分割非常相似，但它處理的是同一類的多個對象。

機器學習模型準備改變制造業，使用圖像分類來監控裝配線上的機器磨損，對在制品和成品進行質量檢查。