Intel制造行业AI案例分享：美的工业视觉检测云平台

Intel制造行业AI案例分享：美的工业视觉检测云平台

[项目背景]

作为白色家电行业领军企业，美的集团希望通过完整、可复制的产品缺陷检测方案，来完善其智能制造产业链中的关键环节。

由工业相机、工控机以及机器人组成的传统视觉方案存在诸多问题，例如定制化方案开发周期长、成本高，检测内容多样化造成参数标定繁琐、工人使用困难，占用产线空间大，对工艺流程有影响。

典型的机器视觉系统架构

美的希望通过新的技术方法来优化和升级检测方案，打造以下能力：

• 对单个检测项目形成通用的推理算法，并可推广至不同产线；

• 可在任何产线上做到无缝部署，不干扰现有生产和工艺流程；

• 在无人工干预情况下做到高鲁棒性，并在全天候高频次下，保证准确率

和延迟的稳定；

• 整个检测过程在 100 毫秒以内完成，识别率达到 98% 以上。

来自生产一线的海量数据资源，让美的具备了利用 AI 技术，特别是深度学习方法，来解决上述问题的基础，并通过与英特尔展开深入的技术合作，提升了算法和算力。如图所示，美的通过前端高清图像采集、后端训练推理的架构，构建了基于深度学习的工业视觉检测云平台，为旗下各产线提供瑕疵检测、工件标定、图像定位等一系列辅助检测能力。

在这一过程中，英特尔不仅为新方案提供了 Analytics Zoo大数据分析和 AI 平台，来构建从前端数据预处理到模型训练、推理，再到数据预测、特征提取的全流程，还针对美的各生产线的实际检测需求，为新方案选择了轻锐的 SSDLite + MobileNetV2 算法模型并实施优化，令新方案进一步提升了效果。

美的预设的机器视觉检测云平台架构

【解决方案】

一、基于 Analytics Zoo 的端到端解决方案

如前所述，美的设计的机器视觉检测云平台架构主要由前、后端两部分组成，由工业相机、工控机等设备构成图像采集前端，部署在工厂产线上，经云化部署的英特尔 架构服务器集群则组成云平台的后端系统。

执行微波炉缺陷检测的工业机器人

在前端，执行图像采集的机器人通常装有多个工业相机，或进行远距离拍摄，用于检测有无和定位；或进行近距离拍摄，用于光学字符识别（Optical Character Recognition，OCR）。

以微波炉划痕检测为例，如图 2-1-6 所示，当系统开始工作时，通过机器人与旋转台的联动，先使用远距离相机拍摄微波炉待检测面的全局图像，并检测计算出需要进行 OCR 识别的位置，再驱动近距离相机进行局部拍摄。相机采集到的不同图像，先由搭载英特尔酷睿 处理器的工控机进行预处理，根据检测需求确定需要传输到云端后，再将数据传送到后端云服务器，实施深度学习训练和推理。

基于Analytics Zoo 的美的新方案流程

通过双方的紧密合作，英特尔帮助美的在其新方案后端的云服务器中，基于 AnalyticsZoo 构建了端到端数据分析流水线方案。整个方案流程如图所示，包括以下几个主要步骤：

1.通过 Spark，方案以分布式方式处理来自各产线工业相机 获 取 的 大 量 视 频 和 图 像。其 中，Analytics Zoo 使 用PySpark 从磁盘中读取视频或图像数据并进行预处理，构造 出 TensorFlowTensor 的 弹 性 分 布 式 数 据 集（ResilientDistributed DataSet，RDD）。整个训练流程可以自动从单个节点扩展到基于英特尔 架构服务器的大型 Hadoop / Spark集群，无需修改代码或手动配置。

2.使用 TensorFlow 目标检测 API 接口，直接构建对象检测模型，例如，可以采用轻量级的 SSDLite +MobileNet V2 模型。

3.直接使用在第一步中预处理的图像RDD，以分布式方式在Spark 集群上训练（或微调）对象检测模型。例如，为了以分布式方式处理缺陷检测流水线的训练数据，方案使用 PySpark

将原始图像数据读取到 RDD 中，然后应用一些变换来解码图像，并提取边界框和类标签。

4.训练结束后，可以基于与训练流程类似的流水线，直接使用RDD 评估图像数据集，使用 PySpark、TensorFlow 和 BigDL在Analytics Zoo 上，以分布式方式在 Spark 集群上执行大规模模型评估（或推理）。

5.使用 Analytics Zoo中 POJO 模式的 API, 将整个 Pipeline轻松地部署于在线 Web 服务中，以实现低延迟的在线服务（例如，Web 服 务、Apache Storm、Apache Flink 等）。

通过这样的方法，新方案可以对预处理过的图像进行识别，提取出需要进行检测的标的物，例如螺钉、铭牌标贴或型号等，并通过不断地迭代分布式训练提高对检测物的识别率。最后，系统会将识别结果传递给机械臂等自动化设备来执行下一步动作。

值得一提的是，英特尔 至强 可扩展处理器为新方案提供了另一项关键要素：计算力。部署在该云平台中的英特尔 至强可扩展处理器得到了充分的性能优化，其英特尔 高级矢量扩展 512（IntelAdvanced Vector Extensions 512，英特尔 AVX-512）等技术得以大展拳脚，以出色的并行计算能力，满足了该云平台在模型训练和模型推理时对算力的严苛需求。

二、基于英特尔 架构优化的目标检测算法模型

如前文所述，提升基于机器视觉的工业辅助检测系统的工作效能，关键在于为其选择高效、适宜的目标检测。美的的新方案选择了更适于实时目标检测的SSDLite + MobileNet V2模型。

利用 Analytics Zoo，新方案使用 TFDataset 来表示一个分布式存储的记录集合，每条记录包含一个或多个TensorFlowTensor 对 象。这 些 Tensor 被 直 接 用 作 输 入， 来构 建TensorFlow 模型。

[方案价值]

1.将深度学习的方法引入工业辅助检测领域，不仅让美的工业视觉检测云平台可以快速、敏捷、自动地识别出待测产品可能存在的问题，例如螺钉漏装、铭牌漏贴、LOGO 丝印缺陷等。

2.更重要的是，该云平台能够良好适应非标准变化因素，即便检测内容和环境发生变化，云平台也能很快适应，省去了冗长的新特征识别、验证时间。

3.同时，这一方案也能有效地提高检测的鲁棒性，克服了传统视觉检测过于依赖图像质量的问题。新方案在美的产线中实际部署后，达到了很好的应用效果。从已有 9 条产线的实际部署测试数据来看，该方案对现有产线的影响几乎为零。

4.由 Analytics Zoo 提供统一的数据分析+ AI 平台，大幅降低了方案进行分布式训练和推理以及提供低延迟在线服务所耗费的人力物力成本。

5.相比传统的工业视觉方案，如图所示，项目部署周期缩短了 57%，物料成本减少 30%，人工成本减少 70%。

归一化的美的工业视觉检测云平台方案成效对比

6.同时，经英特尔优化的SSDLite + MobileNet V2 目标检测算法模型也有效提升了方案的执行效率和准确率。来自一线的数据表明，方案对诸多缺陷的识别率达到了 99.98%，推理预测时间从原先的 2 秒缩减到现在的 124 毫秒。

责任编辑：xj

原文标题：Intel制造行业AI案例分享：美的工业视觉检测云平台

文章出处：【微信公众号：新机器视觉】欢迎添加关注！文章转载请注明出处。