1 引 言
隨著工業數字化、智能化轉型逐漸深入，智能制造的逐步推進，市場對于工業機器視覺的需求也將逐漸增多，工業機器視覺逐漸形成規模化的產業。機器視覺主要用計算機來模擬人的視覺功能，也就是把客觀事物的圖像信息提取、處理并理解，最終用于實際檢測、測量和控制。機器視覺具有高度自動化、高效率、高精度和適應較差環境等優點，將在我國工業自動化的實現過程中產生重要作用。在工業領域，機器視覺對計算的高效性有嚴格的要求，將數據傳輸至云端計算可能無法滿足高效實時的需求，同時考慮到在工業現場中存在大量異構的總線連接，設備之間的通信標準不統一，需要將計算資源部署在工業現場附近才能滿足需求，邊緣計算成為了關鍵節點，起到了重要的作用。工業機器視覺目前在智能制造中主要用于四個方面：識別、檢測、識別和測量。傳統機器學習算法使用人工輸入的特征提取代碼來訓練算法，而深度學習算法使用現代技術自動提取這些特征。深度學習算法在視覺圖像分類、語義分割、目標檢測、顯著性檢測等任務上取得了很高的準確性 , 甚至超過人的認知水平。深度學習技術的引入以后，人工調試的研究大大減少。因為深度學習可以很好的解決視覺圖像輪廓影像檢測，雖然深度學習還無法保證其100%可靠性，但是可以通過技術手段已經可以實現相當高的可靠性。
2.邊緣計算在工業制造中的應用
近年來，伴隨著大數據、云計算、人工智能的發展，互聯網產業即將面臨巨大的變革。大數據時代每天的數據量十分巨大，而物聯網環境因為地理位置分散，對響應時間和安全性要求更高。現今云計算雖然為大數據處理提供一個很好的平臺，但網絡速度遠遠趕不上數據增長的速度，網絡帶寬的問題需要硬件上跨時代的突破才能解決，云計算模式在邊緣端很難滿足實時性和帶寬要求。在云計算難以滿足邊緣端計算的需求背景下，邊緣計算應運而生。邊緣計算是指在互聯網邊緣上計算和存儲資源，它可以選擇性接入互聯網。這個網絡邊緣在地理上和網絡上都接近用戶。邊緣計算可以在數據源附近進行處理，這樣能很好保護數據安全性，同時還能增加響應實時性。邊緣計算分析將復雜算法模型從云端下沉到邊緣，對生產現場數據進行實時分析和反饋控制，可以在沒有網絡連接的情況下處理數據。終端無需傳輸在網絡邊緣收集到的所有數據，而是在本地或者更靠近數據源的地方處理數據，這有助于避免嚴重的“最后一公里”延遲問題。對于需要快速決策的終端，在本地處理數據可以讓它們做出更快的響應。此外，通過本地分析，可以將僅僅相關的數據發送回云服務器來減輕網絡負載。云平臺則將實現海量工業數據統一集成管理，提供信息模型、數據治理機制、數據共享、數據標識以及數據可視化等全流程的操作和服務。
圖1 邊緣計算架構圖
邊緣計算架構圖如圖1所示：在云端定義基礎數據模型，將模型下發到各邊緣服務器，邊緣服務器對數據模型通過業務接口下發到工業視覺終端上。終端在收到數據模型后，根據數據模型對采集的本地圖像數據進行識別、檢測和測量，獲取信息特征，將特征值以及加工過數據上傳至邊緣服務器。邊緣服務器對所管理的工業視覺終端數據進行匯總，加工數據以及信息發送至云端服務平臺。云端服務平臺通過對數據進行提純，對移動終端相關的硬件信息，狀態信息，軟件信息，關聯的用戶信息以及生產數據等等，將流程問題抽象成領域模型問題，再將領域模型抽象成數據模型。工業視覺識別系統在電子制造行業中的應用，電子制造生產線多樣，工藝復雜，工業視覺主要應用于3C電子檢測、顯示屏檢測與線路板檢測，形成從部件模組到整機的閉環檢測，其中3C電子檢測更為復雜。通過預先在邊緣端設置訓練好缺陷識別模型，在流水線通過機器視覺缺陷檢測，及時計算匹配出貼裝過程產生的元器件裝反、漏裝、裝錯、位置不準確等問題。
圖2 PCB板缺陷類型
工業視覺識別系統在鋼鐵工業中的應用，鋼筋數量統計（計數）是鋼材生產過程中的重要環節。鋼筋經過打捆以后，現場的計數工人主要使用不同顏色的彩筆來多次標記以區分已計數和未計數的鋼筋，對于工人長時間高強度的工作，其視覺和大腦很容易出現疲勞，計數誤差大大增加，很明顯人工計數已經不能滿足鋼筋生產廠家自動化生產的需求。因此，研發鋼筋數量統計（計數）多目標檢測機器視覺方法是一個十分迫切且重要的問題，對減輕人工工作勞動強度，提高鋼筋數量統計的效率和準確性具有重要作用。將工業視覺系統固定在生產線上，當信號觸發時將拍攝圖像直接輸出到邊緣端，控制器進行識別計算后直接輸出鋼筋數量。
3.AI數據模型訓練與壓縮
人工智能的定義是讓機器實現原來只有人類才能完成的任務。機器學習專門研究計算機怎樣模擬或實現人的學習行為，是人工智能的核心。通過機器學習的重要方法深度學習，通過對大量圖像的識別訓練，反復調整模型參數，獲取目標需求所需的訓練模型。考慮到工業生產環節不良品占比少、圖像數據收集困難的現狀，本項目擬研究無監督學習的異常檢測，將少量不良品與大量良品區別開來，獲取不良品數據再進行人工標注。
圖4 異常檢測與樣本學習流程
近年，深度模型的壓縮和加速一直是學術界、工業界的研究熱點，可以將體積龐大的深度模型壓縮至極小。最新的人臉檢測深度模型在基本達到主流算法性能的同時，已經能夠壓縮至1MB大小，最新的目標檢測算法YOLO nano也壓縮到了5MB以內，能夠滿足嵌入式平臺的要求。在端末設備上優化AI算法，設計友好的邊緣計算硬件方案，是邊緣計算最關鍵的技術問題。深度學習在人工智能領域取得了重大突破，但高存儲高功耗的深度網絡模型，嚴重制約了在硬件資源有限環境下的使用，需要對模型進行壓縮。目前，卷積神經網絡（CNN）的壓縮算法大多是針對卷積的某一特性進行研究或基于其他輔助的基礎上進行研究。然而，這些方法可能導致CNN模型準確率的快速下降，或局限于較小的CNN模型和大型數據集到小型數據集的遷移學習上，無法得到更為廣泛的應用。采用基于動態閾值的網絡權重剪裁，為了保證裁剪網絡壓縮率和準確率的平衡，采用迭代裁剪的方法，根據權重絕對值大小進行網絡的裁剪，即尋找最合適的權重，讓剪裁后的模型損失與未剪裁的模型損失盡量一致。考慮到網絡中各層的權重及其分布各不相同，因此對每一層分別進行裁剪，權重裁剪流程如下：（1）取一個較小的初始裁剪率，根據該層的權重分布進行裁剪，將權重最小的一部分進行裁剪；（2）對裁剪后的網絡進行正則化微調訓練，獲得裁剪后的模型準確率，再計算剪裁前后模型準確率的差值；（3）若裁剪前后模型準確率差值小于設定好的閾值，則增加裁剪率，返回第一步；否則，結束裁剪。通過對龐大且冗余模型的裁剪，在有限的性能下，提高邊緣計算的運行效率，滿足工業機器視覺系統的需求。
4. 總 結
AI邊緣計算用于工業視覺識別場景，在性能改善、減少操作成本和保障數據安全上有一定優勢。工業制造中常見的狀態跟蹤、缺陷檢測、零件定位等需求，在工業生產環境中邊緣計算設備可在生成和使用數據的視覺終端處理與存儲數據，而無需將數據傳到遙遠的數據中心，如此可以保證響應的實時性、更低的成本、結合分布式存儲和邊緣智能計算將進一步提高隱私數據的安全性等。通過AI與邊緣計算的在工業視覺識別系統中的深度結合，將大幅提高生產自動化水平，裝備的使用效率、可靠性及穩定性等。
更多信息可以來這里獲取==>>電子技術應用-AET<<
