1 引       言

　　隨著工業(yè)數(shù)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(yè)機器視覺的需求也將逐漸增多，工業(yè)機器視覺逐漸形成規(guī)模化的產業(yè)。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(huán)境等優(yōu)點，將在我國工業(yè)自動化的實現(xiàn)過程中產生重要作用。在工業(yè)領域，機器視覺對計算的高效性有嚴格的要求，將數(shù)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(yè)現(xiàn)場中存在大量異構的總線連接，設備之間的通信標準不統(tǒng)一，需要將計算資源部署在工業(yè)現(xiàn)場附近才能滿足需求，邊緣計算成為了關鍵節(jié)點，起到了重要的作用。工業(yè)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(tǒng)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(xiàn)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(xiàn)相當高的可靠性。

　　2.邊緣計算在工業(yè)制造中的應用

　　近年來，伴隨著大數(shù)據、云計算、人工智能的發(fā)展，互聯(lián)網產業(yè)即將面臨巨大的變革。大數(shù)據時代每天的數(shù)據量十分巨大，而物聯(lián)網環(huán)境因為地理位置分散，對響應時間和安全性要求更高。現(xiàn)今云計算雖然為大數(shù)據處理提供一個很好的平臺，但網絡速度遠遠趕不上數(shù)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(lián)網邊緣上計算和存儲資源，它可以選擇性接入互聯(lián)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(shù)據源附近進行處理，這樣能很好保護數(shù)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(xiàn)場數(shù)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(shù)據。終端無需傳輸在網絡邊緣收集到的所有數(shù)據，而是在本地或者更靠近數(shù)據源的地方處理數(shù)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(shù)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(shù)據發(fā)送回云服務器來減輕網絡負載。云平臺則將實現(xiàn)海量工業(yè)數(shù)據統(tǒng)一集成管理，提供信息模型、數(shù)據治理機制、數(shù)據共享、數(shù)據標識以及數(shù)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(shù)據模型，將模型下發(fā)到各邊緣服務器，邊緣服務器對數(shù)據模型通過業(yè)務接口下發(fā)到工業(yè)視覺終端上。終端在收到數(shù)據模型后，根據數(shù)據模型對采集的本地圖像數(shù)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(shù)據上傳至邊緣服務器。邊緣服務器對所管理的工業(yè)視覺終端數(shù)據進行匯總，加工數(shù)據以及信息發(fā)送至云端服務平臺。云端服務平臺通過對數(shù)據進行提純，對移動終端相關的硬件信息，狀態(tài)信息，軟件信息，關聯(lián)的用戶信息以及生產數(shù)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(shù)據模型。工業(yè)視覺識別系統(tǒng)在電子制造行業(yè)中的應用，電子制造生產線多樣，工藝復雜，工業(yè)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(huán)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(yè)視覺識別系統(tǒng)在鋼鐵工業(yè)中的應用，鋼筋數(shù)量統(tǒng)計（計數(shù)）是鋼材生產過程中的重要環(huán)節(jié)。鋼筋經過打捆以后，現(xiàn)場的計數(shù)工人主要使用不同顏色的彩筆來多次標記以區(qū)分已計數(shù)和未計數(shù)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(xiàn)疲勞，計數(shù)誤差大大增加，很明顯人工計數(shù)已經不能滿足鋼筋生產廠家自動化生產的需求。因此，研發(fā)鋼筋數(shù)量統(tǒng)計（計數(shù)）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(shù)量統(tǒng)計的效率和準確性具有重要作用。將工業(yè)視覺系統(tǒng)固定在生產線上，當信號觸發(fā)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(shù)量。

　　3.AI數(shù)據模型訓練與壓縮

　　人工智能的定義是讓機器實現(xiàn)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(xiàn)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(shù)，獲取目標需求所需的訓練模型。考慮到工業(yè)生產環(huán)節(jié)不良品占比少、圖像數(shù)據收集困難的現(xiàn)狀，本項目擬研究無監(jiān)督學習的異常檢測，將少量不良品與大量良品區(qū)別開來，獲取不良品數(shù)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(yè)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(yōu)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(huán)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(shù)據集到小型數(shù)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(tài)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(yè)機器視覺系統(tǒng)的需求。

　　4. 總       結

　　AI邊緣計算用于工業(yè)視覺識別場景，在性能改善、減少操作成本和保障數(shù)據安全上有一定優(yōu)勢。工業(yè)制造中常見的狀態(tài)跟蹤、缺陷檢測、零件定位等需求，在工業(yè)生產環(huán)境中邊緣計算設備可在生成和使用數(shù)據的視覺終端處理與存儲數(shù)據，而無需將數(shù)據傳到遙遠的數(shù)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(shù)據的安全性等。通過AI與邊緣計算的在工業(yè)視覺識別系統(tǒng)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(wěn)定性等。

更多信息可以來這里獲取==>>電子技術應用-AET<<