工業制造領域，瑕疵檢測一直是生產過程中的重要一環。眾所周知，工廠實際生產過程并不能保證生產出來的產品百分之百的完美，或者是產品是螺絲沒有擰緊，或者是表面有細小的凹陷和劃痕，或者是產品標簽忘記粘貼……特別是在電子產品、汽車、航天航空等高科技產業中，如果因為一個不起眼的瑕疵導致安全事故的發生，輕則致使財產受到損失，重則甚至可以發生傷亡事故——無論如何，對于企業而言都是難以承受的傷痛。

為確保產品質量，以往工廠往往會耗費上千人力進行人工視覺檢查，防止瑕疵產品流入市場。但在實際的工廠運營中，由于工廠自動化水平的提高，車間生產效率得到進一步提升，這樣的環境下，“人-機”工作很難得到協調。同時，加之人工成本持續走高，而且工人由于自身熟練度、身體承受能力以及主觀方面等存在的差異，導致檢測準確性和效率也各有差異，可以說利用人工檢測的傳統手段收獲效果甚微。

為滿足市場需求，同時實現自身價值，越來越多的公司注意到數字化轉型對于企業發展的重要性。在瑕疵檢測領域，則表現為將物聯網、人工智能等通用技術賦能給機器，從而代替工人操作，提升產品質量。

市場引導，技術先行

在信息與實業沒有接軌的年代，各行業之間是平行發展的關系，跨行業的兩個企業之間就像隔著一座山，兩個不相關聯的行業之間很難找到共同的結合點。

而物聯網時代則不同，這是一個整合社會資源、融合創新的時代，又是一個強調細分市場，宣布主權的時代，“隔行如隔山”在今天已經成為了歷史。肉眼可見之下，越來越多的科技企業出現在傳統行業的供應商列表中，同時又各自發揮著熱量。

基于此，英特爾識微見遠，深入汽車輪胎制造業，發現微小瑕疵中所蘊含著巨大的市場。

在傳統的輪胎制造過程中，培訓檢查員大約要花費 3 個月的時間，而檢查工作最多占用他們 80% 的時間。即使經過充分的培訓，人工檢查通常也只能保持在90%到 95%的準確率。這種采用人工檢測的方法顯然費時費力。

而輪胎瑕疵檢測恰恰又是一個極大的市場，僅中國的輪胎制造企業就有大約600多家，每年所生產的8億輪胎中，“中國造”就占到了全球總生產量的三分之一……

面對這樣巨大的工作量，人類顯然已經很難再勝任，因此就需要物聯網、AI、邊緣計算、大數據等新興技術為支持，來解決這一痛點。

從行業發展來看，機器視覺已經廣泛應用于工業領域，其中以消費電子、汽車和半導體三大領域應用最為廣泛。而隨著配套基礎設施的不斷完善，制造業需求的增長以及智能化水平的提高，國內機器視覺市場正一步一步擴大。據保守統計，2017年我國機器視覺市場規模已經接近70億元，2018年市場規模首次突破100億元，而今年，市場規模將再次迎來增長，有望達到125億元。

這無疑得益于機器視覺行業全產業鏈的迅猛發展和“智能玩家”的加入，從2011年到2018年的數年間，我國機器視覺行業市場規模從10.8億元增長到了104億元，年均復合增速達到約33%。國內市場中機器視覺企業數量在數年間已經達到200家以上。

而在行業檢測中，機器視覺又能成功解決人類用眼檢測不足的幾大痛點：

●速度更快，視覺檢測相比于傳統的人工肉眼檢測，借助AI分析能力，檢測速度可實現秒級內響應;

●精度更高，與人類視覺相比，機器視覺對微小目標分辨力更高，甚至可以觀測微米級的目標;

●增效降本，機器視覺檢測不受人類客觀條件限制，比如機器沒有人類感情羈絆，這使質檢過程中的穩定性得到較高的保障;其次機器視覺相比人類能做更多，有效降低人力成本和之間過程中產生的損失，提高盈利能力。

得益于市場需求、產業鏈的成熟以及通用技術能力的提升，英特爾和深視科技打開智慧的想象，另辟蹊徑探索出一套針對輪胎制造業的機器視覺智能檢測解決方案。聚焦于此方案，則表現在“云邊協同”和人工智能的注入。

眾所周知，機器視覺是人工智能應用最為廣泛的領域，大量的用例都利用了高分辨率的攝像頭，生成大量需要進行匯總和分析的數據，而面對急劇膨脹式的數據增長，人工智能就發揮了重要作用。

Gartner在此前公布的2020年十大戰略科技趨勢預測中顯示，在2028年前，專用AI芯片以及更加強大的處理能力、存儲和其他先進功能將被廣泛應用于邊緣設備中。而在智能制造的大背景下，以AI為基礎能力的視覺檢測無疑將大放異彩。

其次是邊緣計算能力，《戰略師的物聯網指南》中提到，邊緣到云行業支出預計到2021年將達到110億美元。Gartner《2018年十大戰略技術趨勢：從云到邊緣》報告從另一個角度預測到，到2022年，75%的企業所生成的數據將從云端或者集中式數據中心搬到邊緣位置進行處理。

我們熟知，瑕疵檢測是在微小中尋求更加安全高質量的生產，避免造成巨大的損失，而瑕疵檢測中的現場數據就發揮了極大的作用，邊緣計算的運用不僅保障了數據的“新鮮性”，避免數據價值斷崖式跌落，同時還對生產過程產生的數據進行存儲和上傳云端，形成“云邊互動”，通過對數據針對性的價值提煉，提供給企業更好的管理依據。

相互協作，賦能行業

當然，在工業制造復雜的生產過程中，其現場情況存在諸多可能，同樣的場景可能會用到不同的方法，再厲害的技術還需要對接客戶本身的需求，如此也為通用技術賦能行業帶來了較大的壓力。

就像金箍棒之于孫悟空，擁有了金箍棒的孫悟空才能盡撒才華，最大化發揮自身的價值。

而此時英特爾面向中國市場推出的專注于加速深度學習并將視覺數據轉換為業務洞察的基于英特爾分布式OpenVINO？工具包就派上了用場，它是幫助企業在邊緣側快速實現高性能計算機視覺與深度學習的開發平臺。如果說英特爾和深視科技是孫悟空，那么這套系統就是讓孫悟空施展才華金箍棒。

簡單而言，英特爾分布式OpenVINO？工具包是英特爾針對其處理器進行優化的計算機視覺和深度學習的推理工具，深視科技的Deep Inspect平臺方案基于OpenVINO？工具包開發，不但可以解決質檢過程中海量數據造成的工作負擔，還可以運用強大的計算能力賦能硬件設備，讓瑕疵無所遁形。歸結起來具有以下三點優勢：

首先是性能方面的提升。通過OpenVINO，可以方便地使用包括CPU、GPU、VPU、FPGA等在內的英特爾的硬件優勢資源，硬件和軟件的集成提高了性能。

其次，OpenVINO工具包支持異構執行。只需編寫一次程序，便可以通過異構的接口運行在其他的硬件平臺之上，大大縮減了用戶的開發周期。

再次，在深度學習方面。OpenVINO帶有模型優化器、推理引擎以及超過20個預先訓練的模型，用戶可快速的實現自己基于深度學習的應用從邊緣到云端的暢快運行。并且，OpenVINO工具包是一個開放的工具，這就意味著英特爾給了用戶更多的空間和想先去滿足其自身的定制化需求。

當一個很小的缺陷會影響到整個制造商的生產效率和利潤率時，一切細節都是至關重要的。從一組數據中就足以看得見基于英特爾技術的深視科技視覺檢測解決方案能發揮多么重要的作用。

使用該解決方案后，在速度方面，相比傳統的肉眼檢測，現在平均每次檢查時間可縮進1秒以內。在速度更快的同時，制造商每天還可以實時檢查20000多個輪胎，準確率也能提升至99.9% 以上。不僅如此，速度和準確率的提高也使企業的凈利潤得到增長，并使每條生產線的人工成本降低了大約42000美元。

目前，AI和邊緣計算等新興技術正在蓬勃發展，但面向真實場景需求的應用卻少之又少，而深視科技基于英特爾分布式OpenVINO工具包的Deep Inspect解決方案無疑為行業打開了新的想象，助力更多通用技術真實有效的賦能行業。同時，牢牢扎根于工業領域，深視科技也進行了更多實踐，比如將Deep Inspect解決方案帶進更多制造業領域，比如3C、光學薄膜行業、PCB制造業……

責任編輯：ct