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，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)?；漠a(chǎn)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(yīng)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(chǎn)生重要作用,。在工業(yè)領(lǐng)域,，機器視覺對計算的高效性有嚴格的要求，將數(shù)據(jù)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(gòu)的總線連接,，設(shè)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(guān)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(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,、目標檢測,、顯著性檢測等任務(wù)上取得了很高的準確性 , 甚至超過人的認知水平。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。因為深度學(xué)習(xí)可以很好的解決視覺圖像輪廓影像檢測,，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)可以實現(xiàn)相當高的可靠性。

　　2.邊緣計算在工業(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)時代每天的數(shù)據(jù)量十分巨大，而物聯(lián)網(wǎng)環(huán)境因為地理位置分散,，對響應(yīng)時間和安全性要求更高?，F(xiàn)今云計算雖然為大數(shù)據(jù)處理提供一個很好的平臺,，但網(wǎng)絡(luò)速度遠遠趕不上數(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(yīng)運而生,。邊緣計算是指在互聯(lián)網(wǎng)邊緣上計算和存儲資源,，它可以選擇性接入互聯(lián)網(wǎng)。這個網(wǎng)絡(luò)邊緣在地理上和網(wǎng)絡(luò)上都接近用戶,。邊緣計算可以在數(shù)據(jù)源附近進行處理,，這樣能很好保護數(shù)據(jù)安全性，同時還能增加響應(yīng)實時性,。邊緣計算分析將復(fù)雜算法模型從云端下沉到邊緣,，對生產(chǎn)現(xiàn)場數(shù)據(jù)進行實時分析和反饋控制，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(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)負載。云平臺則將實現(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)治理機制、數(shù)據(jù)共享,、數(shù)據(jù)標識以及數(shù)據(jù)可視化等全流程的操作和服務(wù),。

　　圖1 邊緣計算架構(gòu)圖

　　邊緣計算架構(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)模型對采集的本地圖像數(shù)據(jù)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(jù)上傳至邊緣服務(wù)器,。邊緣服務(wù)器對所管理的工業(yè)視覺終端數(shù)據(jù)進行匯總,，加工數(shù)據(jù)以及信息發(fā)送至云端服務(wù)平臺。云端服務(wù)平臺通過對數(shù)據(jù)進行提純，對移動終端相關(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,、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(fù)雜,。通過預(yù)先在邊緣端設(shè)置訓(xùn)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(chǎn)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(yīng)用,，鋼筋數(shù)量統(tǒng)計（計數(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(jīng)不能滿足鋼筋生產(chǎn)廠家自動化生產(chǎn)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(chǎn)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(jù)模型訓(xùn)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(wù)。機器學(xué)習(xí)專門研究計算機怎樣模擬或?qū)崿F(xiàn)人的學(xué)習(xí)行為,，是人工智能的核心,。通過機器學(xué)習(xí)的重要方法深度學(xué)習(xí)，通過對大量圖像的識別訓(xùn)練，反復(fù)調(diào)整模型參數(shù),，獲取目標需求所需的訓(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,，本項目擬研究無監(jiān)督學(xué)習(xí)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(jù)再進行人工標注,。

　　圖4 異常檢測與樣本學(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,，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(jīng)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(nèi)，能夠滿足嵌入式平臺的要求,。在端末設(shè)備上優(yōu)化AI算法,，設(shè)計友好的邊緣計算硬件方案，是邊緣計算最關(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,，但高存儲高功耗的深度網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)（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(chǔ)上進行研究,。然而,，這些方法可能導(dǎo)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(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)壓縮率和準確率的平衡,，采用迭代裁剪的方法,，根據(jù)權(quán)重絕對值大小進行網(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,，因此對每一層分別進行裁剪,，權(quán)重裁剪流程如下：（1）取一個較小的初始裁剪率,，根據(jù)該層的權(quán)重分布進行裁剪，將權(quán)重最小的一部分進行裁剪,；（2）對裁剪后的網(wǎng)絡(luò)進行正則化微調(diào)訓(xùn)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(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(jié)

　　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(jù)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(chǎn)環(huán)境中邊緣計算設(shè)備可在生成和使用數(shù)據(jù)的視覺終端處理與存儲數(shù)據(jù),，而無需將數(shù)據(jù)傳到遙遠的數(shù)據(jù)中心，如此可以保證響應(yīng)的實時性,、更低的成本,、結(jié)合分布式存儲和邊緣智能計算將進一步提高隱私數(shù)據(jù)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(jié)合,，將大幅提高生產(chǎn)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(shù)應(yīng)用-AET<<