1 引       言

　　隨著工業(yè)數(shù)字化、智能化轉(zhuǎn)型逐漸深入，智能制造的逐步推進(jìn)，市場(chǎng)對(duì)于工業(yè)機(jī)器視覺的需求也將逐漸增多，工業(yè)機(jī)器視覺逐漸形成規(guī)模化的產(chǎn)業(yè)。機(jī)器視覺主要用計(jì)算機(jī)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(shí)際檢測(cè)、測(cè)量和控制。機(jī)器視覺具有高度自動(dòng)化、高效率、高精度和適應(yīng)較差環(huán)境等優(yōu)點(diǎn)，將在我國工業(yè)自動(dòng)化的實(shí)現(xiàn)過程中產(chǎn)生重要作用。在工業(yè)領(lǐng)域，機(jī)器視覺對(duì)計(jì)算的高效性有嚴(yán)格的要求，將數(shù)據(jù)傳輸至云端計(jì)算可能無法滿足高效實(shí)時(shí)的需求，同時(shí)考慮到在工業(yè)現(xiàn)場(chǎng)中存在大量異構(gòu)的總線連接，設(shè)備之間的通信標(biāo)準(zhǔn)不統(tǒng)一，需要將計(jì)算資源部署在工業(yè)現(xiàn)場(chǎng)附近才能滿足需求，邊緣計(jì)算成為了關(guān)鍵節(jié)點(diǎn)，起到了重要的作用。工業(yè)機(jī)器視覺目前在智能制造中主要用于四個(gè)方面：識(shí)別、檢測(cè)、識(shí)別和測(cè)量。傳統(tǒng)機(jī)器學(xué)習(xí)算法使用人工輸入的特征提取代碼來訓(xùn)練算法，而深度學(xué)習(xí)算法使用現(xiàn)代技術(shù)自動(dòng)提取這些特征。深度學(xué)習(xí)算法在視覺圖像分類、語義分割、目標(biāo)檢測(cè)、顯著性檢測(cè)等任務(wù)上取得了很高的準(zhǔn)確性 , 甚至超過人的認(rèn)知水平。深度學(xué)習(xí)技術(shù)的引入以后，人工調(diào)試的研究大大減少。因?yàn)樯疃葘W(xué)習(xí)可以很好的解決視覺圖像輪廓影像檢測(cè)，雖然深度學(xué)習(xí)還無法保證其100%可靠性，但是可以通過技術(shù)手段已經(jīng)可以實(shí)現(xiàn)相當(dāng)高的可靠性。

　　2.邊緣計(jì)算在工業(yè)制造中的應(yīng)用

　　近年來，伴隨著大數(shù)據(jù)、云計(jì)算、人工智能的發(fā)展，互聯(lián)網(wǎng)產(chǎn)業(yè)即將面臨巨大的變革。大數(shù)據(jù)時(shí)代每天的數(shù)據(jù)量十分巨大，而物聯(lián)網(wǎng)環(huán)境因?yàn)榈乩砦恢梅稚ⅲ瑢?duì)響應(yīng)時(shí)間和安全性要求更高。現(xiàn)今云計(jì)算雖然為大數(shù)據(jù)處理提供一個(gè)很好的平臺(tái)，但網(wǎng)絡(luò)速度遠(yuǎn)遠(yuǎn)趕不上數(shù)據(jù)增長的速度，網(wǎng)絡(luò)帶寬的問題需要硬件上跨時(shí)代的突破才能解決，云計(jì)算模式在邊緣端很難滿足實(shí)時(shí)性和帶寬要求。在云計(jì)算難以滿足邊緣端計(jì)算的需求背景下，邊緣計(jì)算應(yīng)運(yùn)而生。邊緣計(jì)算是指在互聯(lián)網(wǎng)邊緣上計(jì)算和存儲(chǔ)資源，它可以選擇性接入互聯(lián)網(wǎng)。這個(gè)網(wǎng)絡(luò)邊緣在地理上和網(wǎng)絡(luò)上都接近用戶。邊緣計(jì)算可以在數(shù)據(jù)源附近進(jìn)行處理，這樣能很好保護(hù)數(shù)據(jù)安全性，同時(shí)還能增加響應(yīng)實(shí)時(shí)性。邊緣計(jì)算分析將復(fù)雜算法模型從云端下沉到邊緣，對(duì)生產(chǎn)現(xiàn)場(chǎng)數(shù)據(jù)進(jìn)行實(shí)時(shí)分析和反饋控制，可以在沒有網(wǎng)絡(luò)連接的情況下處理數(shù)據(jù)。終端無需傳輸在網(wǎng)絡(luò)邊緣收集到的所有數(shù)據(jù)，而是在本地或者更靠近數(shù)據(jù)源的地方處理數(shù)據(jù)，這有助于避免嚴(yán)重的“最后一公里”延遲問題。對(duì)于需要快速?zèng)Q策的終端，在本地處理數(shù)據(jù)可以讓它們做出更快的響應(yīng)。此外，通過本地分析，可以將僅僅相關(guān)的數(shù)據(jù)發(fā)送回云服務(wù)器來減輕網(wǎng)絡(luò)負(fù)載。云平臺(tái)則將實(shí)現(xiàn)海量工業(yè)數(shù)據(jù)統(tǒng)一集成管理，提供信息模型、數(shù)據(jù)治理機(jī)制、數(shù)據(jù)共享、數(shù)據(jù)標(biāo)識(shí)以及數(shù)據(jù)可視化等全流程的操作和服務(wù)。

　　圖1 邊緣計(jì)算架構(gòu)圖

　　邊緣計(jì)算架構(gòu)圖如圖1所示：在云端定義基礎(chǔ)數(shù)據(jù)模型，將模型下發(fā)到各邊緣服務(wù)器，邊緣服務(wù)器對(duì)數(shù)據(jù)模型通過業(yè)務(wù)接口下發(fā)到工業(yè)視覺終端上。終端在收到數(shù)據(jù)模型后，根據(jù)數(shù)據(jù)模型對(duì)采集的本地圖像數(shù)據(jù)進(jìn)行識(shí)別、檢測(cè)和測(cè)量，獲取信息特征，將特征值以及加工過數(shù)據(jù)上傳至邊緣服務(wù)器。邊緣服務(wù)器對(duì)所管理的工業(yè)視覺終端數(shù)據(jù)進(jìn)行匯總，加工數(shù)據(jù)以及信息發(fā)送至云端服務(wù)平臺(tái)。云端服務(wù)平臺(tái)通過對(duì)數(shù)據(jù)進(jìn)行提純，對(duì)移動(dòng)終端相關(guān)的硬件信息，狀態(tài)信息，軟件信息，關(guān)聯(lián)的用戶信息以及生產(chǎn)數(shù)據(jù)等等，將流程問題抽象成領(lǐng)域模型問題，再將領(lǐng)域模型抽象成數(shù)據(jù)模型。工業(yè)視覺識(shí)別系統(tǒng)在電子制造行業(yè)中的應(yīng)用，電子制造生產(chǎn)線多樣，工藝復(fù)雜，工業(yè)視覺主要應(yīng)用于3C電子檢測(cè)、顯示屏檢測(cè)與線路板檢測(cè)，形成從部件模組到整機(jī)的閉環(huán)檢測(cè)，其中3C電子檢測(cè)更為復(fù)雜。通過預(yù)先在邊緣端設(shè)置訓(xùn)練好缺陷識(shí)別模型，在流水線通過機(jī)器視覺缺陷檢測(cè)，及時(shí)計(jì)算匹配出貼裝過程產(chǎn)生的元器件裝反、漏裝、裝錯(cuò)、位置不準(zhǔn)確等問題。

　　圖2 PCB板缺陷類型

　　工業(yè)視覺識(shí)別系統(tǒng)在鋼鐵工業(yè)中的應(yīng)用，鋼筋數(shù)量統(tǒng)計(jì)（計(jì)數(shù)）是鋼材生產(chǎn)過程中的重要環(huán)節(jié)。鋼筋經(jīng)過打捆以后，現(xiàn)場(chǎng)的計(jì)數(shù)工人主要使用不同顏色的彩筆來多次標(biāo)記以區(qū)分已計(jì)數(shù)和未計(jì)數(shù)的鋼筋，對(duì)于工人長時(shí)間高強(qiáng)度的工作，其視覺和大腦很容易出現(xiàn)疲勞，計(jì)數(shù)誤差大大增加，很明顯人工計(jì)數(shù)已經(jīng)不能滿足鋼筋生產(chǎn)廠家自動(dòng)化生產(chǎn)的需求。因此，研發(fā)鋼筋數(shù)量統(tǒng)計(jì)（計(jì)數(shù)）多目標(biāo)檢測(cè)機(jī)器視覺方法是一個(gè)十分迫切且重要的問題，對(duì)減輕人工工作勞動(dòng)強(qiáng)度，提高鋼筋數(shù)量統(tǒng)計(jì)的效率和準(zhǔn)確性具有重要作用。將工業(yè)視覺系統(tǒng)固定在生產(chǎn)線上，當(dāng)信號(hào)觸發(fā)時(shí)將拍攝圖像直接輸出到邊緣端，控制器進(jìn)行識(shí)別計(jì)算后直接輸出鋼筋數(shù)量。

　　3.AI數(shù)據(jù)模型訓(xùn)練與壓縮

　　人工智能的定義是讓機(jī)器實(shí)現(xiàn)原來只有人類才能完成的任務(wù)。機(jī)器學(xué)習(xí)專門研究計(jì)算機(jī)怎樣模擬或?qū)崿F(xiàn)人的學(xué)習(xí)行為，是人工智能的核心。通過機(jī)器學(xué)習(xí)的重要方法深度學(xué)習(xí)，通過對(duì)大量圖像的識(shí)別訓(xùn)練，反復(fù)調(diào)整模型參數(shù)，獲取目標(biāo)需求所需的訓(xùn)練模型。考慮到工業(yè)生產(chǎn)環(huán)節(jié)不良品占比少、圖像數(shù)據(jù)收集困難的現(xiàn)狀，本項(xiàng)目擬研究無監(jiān)督學(xué)習(xí)的異常檢測(cè)，將少量不良品與大量良品區(qū)別開來，獲取不良品數(shù)據(jù)再進(jìn)行人工標(biāo)注。

　　圖4 異常檢測(cè)與樣本學(xué)習(xí)流程

　　近年，深度模型的壓縮和加速一直是學(xué)術(shù)界、工業(yè)界的研究熱點(diǎn)，可以將體積龐大的深度模型壓縮至極小。最新的人臉檢測(cè)深度模型在基本達(dá)到主流算法性能的同時(shí)，已經(jīng)能夠壓縮至1MB大小，最新的目標(biāo)檢測(cè)算法YOLO nano也壓縮到了5MB以內(nèi)，能夠滿足嵌入式平臺(tái)的要求。在端末設(shè)備上優(yōu)化AI算法，設(shè)計(jì)友好的邊緣計(jì)算硬件方案，是邊緣計(jì)算最關(guān)鍵的技術(shù)問題。深度學(xué)習(xí)在人工智能領(lǐng)域取得了重大突破，但高存儲(chǔ)高功耗的深度網(wǎng)絡(luò)模型，嚴(yán)重制約了在硬件資源有限環(huán)境下的使用，需要對(duì)模型進(jìn)行壓縮。目前，卷積神經(jīng)網(wǎng)絡(luò)（CNN）的壓縮算法大多是針對(duì)卷積的某一特性進(jìn)行研究或基于其他輔助的基礎(chǔ)上進(jìn)行研究。然而，這些方法可能導(dǎo)致CNN模型準(zhǔn)確率的快速下降，或局限于較小的CNN模型和大型數(shù)據(jù)集到小型數(shù)據(jù)集的遷移學(xué)習(xí)上，無法得到更為廣泛的應(yīng)用。采用基于動(dòng)態(tài)閾值的網(wǎng)絡(luò)權(quán)重剪裁，為了保證裁剪網(wǎng)絡(luò)壓縮率和準(zhǔn)確率的平衡，采用迭代裁剪的方法，根據(jù)權(quán)重絕對(duì)值大小進(jìn)行網(wǎng)絡(luò)的裁剪，即尋找最合適的權(quán)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(wǎng)絡(luò)中各層的權(quán)重及其分布各不相同，因此對(duì)每一層分別進(jìn)行裁剪，權(quán)重裁剪流程如下：（1）取一個(gè)較小的初始裁剪率，根據(jù)該層的權(quán)重分布進(jìn)行裁剪，將權(quán)重最小的一部分進(jìn)行裁剪；（2）對(duì)裁剪后的網(wǎng)絡(luò)進(jìn)行正則化微調(diào)訓(xùn)練，獲得裁剪后的模型準(zhǔn)確率，再計(jì)算剪裁前后模型準(zhǔn)確率的差值；（3）若裁剪前后模型準(zhǔn)確率差值小于設(shè)定好的閾值，則增加裁剪率，返回第一步；否則，結(jié)束裁剪。通過對(duì)龐大且冗余模型的裁剪，在有限的性能下，提高邊緣計(jì)算的運(yùn)行效率，滿足工業(yè)機(jī)器視覺系統(tǒng)的需求。

　　4. 總       結(jié)

　　AI邊緣計(jì)算用于工業(yè)視覺識(shí)別場(chǎng)景，在性能改善、減少操作成本和保障數(shù)據(jù)安全上有一定優(yōu)勢(shì)。工業(yè)制造中常見的狀態(tài)跟蹤、缺陷檢測(cè)、零件定位等需求，在工業(yè)生產(chǎn)環(huán)境中邊緣計(jì)算設(shè)備可在生成和使用數(shù)據(jù)的視覺終端處理與存儲(chǔ)數(shù)據(jù)，而無需將數(shù)據(jù)傳到遙遠(yuǎn)的數(shù)據(jù)中心，如此可以保證響應(yīng)的實(shí)時(shí)性、更低的成本、結(jié)合分布式存儲(chǔ)和邊緣智能計(jì)算將進(jìn)一步提高隱私數(shù)據(jù)的安全性等。通過AI與邊緣計(jì)算的在工業(yè)視覺識(shí)別系統(tǒng)中的深度結(jié)合，將大幅提高生產(chǎn)自動(dòng)化水平，裝備的使用效率、可靠性及穩(wěn)定性等。

更多信息可以來這里獲取==>>電子技術(shù)應(yīng)用-AET<<