如何在边缘使用机器学习提高生产线质量

工业 4.0 范式鼓励制造业使用机器学习、人工智能、云计算和工业物联网 （IIoT） 技术来改善工业流程、产品质量，并降低成本和上市时间。

机器学习算法充当OEM的智能决策支持系统，适用于各种制造应用，例如：

预测性维护

提高产品质量控制

机器异常检测

生产线监控

供应链管理等

智能工厂和仓库通过连接设备和分布式基础设施不断收集和共享海量数据。使用复杂的机器学习算法分析大量数据需要大量的计算能力。现有的本地和集中式云基础设施有能力，但它们在延迟、巨大的带宽消耗、安全相关问题等方面有自己的局限性。一些智能工业应用需要低延迟才能实时访问数据。为了减少延迟和带宽使用，边缘机器学习是解决方案。

大局：智能工厂边缘的机器学习

边缘机器学习是一种使用机器学习或深度学习算法在设备级别或网络“边缘”的本地基础设施进行数据处理的技术，从而减少对云网络的依赖。边缘计算允许在边缘上运行计算密集型机器学习算法。这有助于生成更多的实时分析，因此，现在可以为各个行业提供各种类型的应用程序。

在大多数情况下，机器学习模型是在Tensorflow，Keras，Caffe等框架中编程的。使用这些框架，编程模型在高端平台（如计算机系统（PC或笔记本电脑））或云平台（如Microsoft Azure，Google Cloud，Amazon AWS等）上进行训练。模型经过训练后，将其保存并部署在云平台或更相关的嵌入式平台上，用于实时推理（预测），例如基于恩智浦IMX8M的设备。

AI/ML，尤其是边缘ML，已成为推动工业4.0发展的重要技术。它对于提高智能工厂中的产品质量起着非常重要的作用。

机器学习模型在各种制造操作中的应用

表面检查：对于电子制造，表面检查包括焊点检查、完整性检查、连接器引脚检查、外观外壳检查等。

纹理检查：在不同类型的物体中，它们的质量反映在其表面纹理上。因此，基于视觉的纹理检测在决定物体质量方面起着重要作用。在胶合板制造中，木材是原材料。木材中结的存在会削弱木材并增加断裂的可能性。这种弱点取决于它的大小、位置、数量和状况。使用基于深度学习的视觉模型，可以检测、计数木材中结的存在，并测量其大小。

缺陷检测：有许多基于视觉的算法可用于检测产品中的缺陷的例子。例如，在制药中，基于视觉的模型可以帮助检测各种缺陷，即颜色偏差、胶囊中的凹痕或孔洞、不规则形状或损坏的边缘或药丸的裂缝等。它可以识别生产线中的异物。

随着半导体技术的进步，可以在边缘平台上部署这些计算量大的算法。通过在各种SoC中集成图形处理单元，数字信号处理，神经处理单元，可以在低功耗，低成本平台上实现实时性能。

如何确保智能工厂的制成品质量？

在保持智能工厂制造的产品质量方面起着非常重要作用的一些关键因素是：

机器的一致运行

为了保证制造产品的质量始终如一，重要的是所有机器都以最佳状态运行，同时实现最高的效率和最短的停机时间。基于机器学习的预测性维护使用各种技术（如异常检测）来及早识别机器故障并及时维护。监控各种物理参数，即振动、噪音、温度、电力消耗等，并根据其异常行为进行维护预测。

对于制造商来说，预测性维护是游戏规则的改变者。它可以帮助他们为智能制造做出数据驱动的决策。在各种低成本、低功耗MCU的帮助下，可以以非常经济高效的方式将其部署在工厂中。传感器为各种物理属性生成大量数据，将所有这些原始数据发送到云用于ML用例是不切实际的。利用边缘设备的处理能力非常重要。

过程中质量控制

在传统的制造过程中，目视检查和质量控制相关活动由人工负责。人工检查产品质量可能不准确。这会导致产品缺陷、不合规和收入损失。为了克服这个问题，基于视觉的深度学习模型被用于智能工厂。

基于视觉的深度学习模型的分类如下所述：

图像分类：识别图像中物体的存在，即木材、药物、水果/蔬菜等。

对象定位：在这里，除了识别对象外，还确定一个边界框以定位对象在图像中的确切位置。

语义分割：这是指将图像的每个像素链接到特定的类标签。

实例分段：它与语义分割非常相似，但它处理同一类的多个对象。

机器学习模型有望改变制造业，使用图像分类来监控装配线上的机器磨损，对在制品和成品进行质量检查。

审核编辑：郭婷