于 樂，畢心蕊

（1.易訊科技股份有限公司，遼寧沈陽 110168；2.沈陽水務集團有限公司，遼寧沈陽 110000）

計算機技術、數字技術等自問世以來，指明了各行業(yè)的發(fā)展方向，將整個世界都引入了新的航道。AI智能技術作為其中的重要成果，在很多領域都以應用實踐證明了該技術的優(yōu)勢，尤其是在工業(yè)自動化控制系統(tǒng)中，可以說AI 智能檢測技術逐漸成為了重要的核心技術之一，但仍面臨著一些問題影響著技術的應用效果，應結合實踐對技術應用方式進行優(yōu)化和創(chuàng)新，促進系統(tǒng)整體優(yōu)化。

1 工業(yè)控制系統(tǒng)中的AI視覺檢測技術

人工智能技術的發(fā)展，讓原本由人工操作完成的諸多項目實現了機械化替代轉型，傳統(tǒng)的人工檢測判斷也出現了機械替代技術，這就是機器視覺檢測系統(tǒng)。這個系統(tǒng)由鏡頭、相機、工控機、執(zhí)行機構、圖像處理系統(tǒng)、檢測目標以及光源等組成。具體操作是，利用相機拍攝得到檢測目標的清晰圖像后向圖像處理系統(tǒng)傳輸，經過檢測算法識別檢測目標并提取它的主要特征，最終輸出所得結果，依據結果完成后續(xù)操作。

機器視覺檢測的應用范圍很廣，尤其是工業(yè)應用的市場前景非常好，應用范圍包括目標檢測、識別、定位和測量。

目標檢測內容是檢測產品配件庫存和外觀缺陷，目標識別即識別檢測目標的顏色或文字等，目標定位包括標簽和PCB 加工等定位內容，目標測量包括測量配件尺寸、指針儀表的角度和長度等。機器視覺檢測的傳統(tǒng)方式為人工作業(yè)，這種方式的針對性很好，但是不具備較強的系統(tǒng)魯棒性。機器視覺檢測處理的常用方法有圖像的算數和二值化、圖像灰度處理、霍夫變換以及濾波算法等。人工智能技術的普及推廣，讓機器視覺越來越多地開始應用深度學習技術，神經網絡就是其中的典型代表。深度學習指的是通過機器對人類的思考行為進行逼真模擬，從而理解并識別直至最終解決那些錯綜復雜的模式或場景，在圖像的分割與分類以及目標檢測中應用廣泛。

較之傳統(tǒng)的機器視覺，深度學習能夠利用專業(yè)訓練完成相關屬性的自學成才，無須再進行特征工程，實現高精度的靈活識別。這種技術也有局限性，它要求系統(tǒng)具備極高的計算功能和硬件內存，在硬件配置方面的成本投入非常高，而且，它的開發(fā)應用是建立在樣本數據的海量采集上面，還要反復實施模型訓練才能達到符合技術標準的模型精準度。由此可見，深度學習的技術優(yōu)勢雖然巨大，但是實際應用仍然需要視覺檢測的傳統(tǒng)方式與深度學習模式的聯(lián)合應用才能實現作業(yè)目標。

利用5G 技術開展相關科技試點調研，目前國內工業(yè)領域的視覺檢測缺陷很多，有4種主要表現：①一些企業(yè)的視覺檢測仍然沿用傳統(tǒng)的人眼識別，不僅效率低下且時常漏檢；②一些企業(yè)的視覺檢測通過智能化一體相機完成，缺陷是無法應用于規(guī)模性檢測，單點設備耗資巨大且管理難度較大；③一些企業(yè)的視覺檢測系統(tǒng)建立在云端基礎上，無法保證數據安全，且不能快速響應；④很多企業(yè)專業(yè)AI 檢測人員奇缺，無法構建專業(yè)的視覺檢測系統(tǒng)。綜上所述，工業(yè)領域的視覺檢測必定會向平臺化、場景適應性強的機器視覺檢測系統(tǒng)方向發(fā)展?；ヂ?lián)網技術日新月異，制造業(yè)也在大力推進轉型升級，在大數據技術、AI 以及5G技術的加持下，工業(yè)領域的機器視覺檢測技術必將得到更大發(fā)展。

2 工業(yè)AI視覺檢測系統(tǒng)5 G技術條件下的解決方案

工業(yè)領域利用5G 技術構建視覺檢測系統(tǒng)，主要特點是平臺化，且支持數量眾多的檢測點位的同步檢測，利用MEC 和5G 技術聯(lián)合構建企業(yè)的內部局域網，交互現場客戶端，打造出企業(yè)視覺檢測的整體體系，使視覺檢測可實現點位和場景眾多的同步檢測，且實現相關管理工作的智能化。向平臺輸入算法和算力，數據的分析處理效率提速。AI 視覺檢測通過包括普通相機在內的少量現場設備即可完成，不僅單點檢測成本大幅降低，部署方式也更加靈活。同時，該系統(tǒng)平臺還支持配置檢測點位相關能力，檢測點位單體稍微調整一下就能完成檢測新場景的適配，對類型多樣的工業(yè)產品做到快速適應檢測。5G 技術條件下的工業(yè)AI 視覺檢測系統(tǒng)，由智能監(jiān)測平臺和現場設備共同構成主體結構。

2.1 現場設備端

現場設備端的所有行為都與企業(yè)生產線協(xié)調聯(lián)動，既要觸發(fā)系統(tǒng)，還要把結果進行及時反饋。它負責采集圖像并向服務端傳輸，再得到最終的處理結果?，F場設備端有3個組成成分：①工業(yè)相機系統(tǒng)。該系統(tǒng)由工業(yè)相機、光源以及鏡頭等組成，任務是采集現場圖像，結合檢測要求完成選型和檢測點位適配。②現場工控終端。工控機是主體設備，任務是對現場設備和相機系統(tǒng)進行控制，傳輸圖像，下達控制指令，推動現場客戶端運行等。③現場設備。由急停開關、顯示器、傳感器、碼槍以及三色燈等組成，任務是檢測信號并顯示結果，同時兼具系統(tǒng)觸發(fā)和控制運行等作用。

2.2 智能檢測平臺架構

視覺檢測系統(tǒng)的關鍵核心是智能檢測平臺，企業(yè)在云端服務器和數據機房均可布置，它的任務是對視覺檢測進行全流程處理，具體內容有業(yè)務、場景以及算法的管理，編排檢測內容，分析檢測結果以及算法模型訓練等該平臺設置有負責統(tǒng)一管理以及狀態(tài)查詢的接口，能對多種檢測場景進行適配。該平臺通過5G 網絡連接檢測點位，在應用和檢測管理方面達到一個平臺對應n個功能的需要。該平臺適用于工業(yè)企業(yè)類型多樣的視覺檢測需要，服務于上層應用。①基礎能力層。利用接口的統(tǒng)一性滿足上層基礎檢測需要。②編排器層。利用編排器組合協(xié)調基礎能力，封裝下層基礎檢測能力，而且，如果視覺檢測有特殊需要，封裝后的基礎檢測可提供解決方案，由此構建的基礎檢測能力庫針對性和功能都很強大。③編排流程庫層。它是結合視覺檢測的各種類型來編排基礎能力，進而達到檢測要求。④應用層。在流程編排庫內對基礎檢測能力進行調度使用，確保各項檢測的順利進行，利用輸出和輸入接口，服務于作業(yè)人員和相關設備的檢測作業(yè)。⑤云計算平臺。結合檢測需要利用專業(yè)適用技術完成上層應用平臺的構建和部署。⑥基礎設施層。它包含多種計算資源，比如GPU 和CPU 的服務器和GPU 推理單板機等。⑦輸入及輸出適配器。利用插件化為工業(yè)總線協(xié)議和主流工業(yè)相機通信協(xié)議提供支持，有利于迅速對接工裝環(huán)境。

2.3 關鍵技術

2.3.1 系統(tǒng)設計平臺化

目前企業(yè)開展視覺檢測多是利用智能相機結合傳統(tǒng)方式共同完成。傳統(tǒng)方式中的視覺檢測單點系統(tǒng)包括相機，光源以及圖像采集和處理單元等關鍵模塊，它們在現場的布置方式非常分散，其開發(fā)應用多為定制性，針對性很強，對應的檢測場景非常單一，整個系統(tǒng)錯綜復雜且體積過大，系統(tǒng)的日常維護和升級非常困難。智能相機體積微小但是集成化程度非常高，它在視覺檢測系統(tǒng)中達到一體化完成采集處理圖像和通信，與視覺檢測系統(tǒng)的傳統(tǒng)方式相比，智能相機可實現靈活多變且方便快捷的現場部署。缺陷是體積過小不具備較強的處理能力，支持簡單算法，相機購置耗費資金較多。把5G 技術條件下的AI 系統(tǒng)引入工業(yè)視覺檢測領域，它的結構設計建立在C/S 基礎上，屬于一種PaaS 平臺，它的后端平臺集中了絕大部分智能處理能力，現場終端采集檢測點位圖像向智能檢測平臺傳輸，檢測結果可實時獲取。該平臺內部設置的算法能力多種多樣，既有新興深度學習模型算法，也有機器視覺的傳統(tǒng)算法。這種系統(tǒng)的平臺化設計為視覺檢測提供多場景同步檢測服務，還恢復使用了算法能力。

2.3.2 深度學習視覺能力平臺

企業(yè)構建AI 視覺檢測平臺的最大困難是專業(yè)人才奇缺。在搭建視覺檢測平臺時，專門引入了以深度學習為基礎的視覺檢測平臺，可執(zhí)行全套的模型訓練流程，服務內容有模型訓練、模型發(fā)布以及管理，還有樣本標注和數據采集管理等。把機器學習的傳統(tǒng)方式進行適度延伸，開發(fā)出了深度學習，在目標檢測和圖像識別方面得到大量使用。深度學習模型的類型包括卷積神經網絡，代號CNN，堆棧自編碼網絡，代號SAE，以及深度置信網絡，代號DBN。CNN 屬于前饋神經網絡的一種，它內置卷積計算和深度結構，利用池化和卷積對圖像的層次特征進行自動學習；DBN 屬于生成類模型，它利用對神經元的相互權重進行訓練，促使神經網絡在最大概率基礎上完成訓練數的生成；SAE 近似于DBN，二者的明顯區(qū)別是SAE 的結構單元屬于自編碼模型。在圖像識別方面，CNN 的應用范圍最為廣泛，以CNN 視覺檢測為基礎，生成了很多典型算法，其中目標檢測算法有RCNN，YOLO，FastRCNN，SSD以及FastRCNN 等，圖像分類算法有LeNet，VGG，AlexNet 以及GoogLeNet 等。上述多種視覺檢測算法中的SSD，RetinaNet 以及FastRCNN 等已經在深度學習平臺上完成布置，它們的應用范圍局限在目標檢測場景中。同時，該平臺對用戶提供模型自訓支持，對平臺流程執(zhí)行進行標準化設計，場景各異的視覺檢測開發(fā)應用得以降低難度，即使非專業(yè)人員也可部署、校驗以及進行模型訓練，快速完成視覺檢測新模式的上線進程。

2.3.3 算法能力集成

工業(yè)視覺檢測具有類型多樣且錯綜復雜的場景應用，檢測涵蓋的技術難度跨度極大，尺寸檢測是最簡單的作業(yè)，最難的是眾多復雜檢測目標的快速識別，所以，算法能力的選型還須結合場景需要來確定，要把視覺檢測中的深度學習與傳統(tǒng)方法綜合利用。同時，該平臺在視覺檢測算法方面設置有能力庫，這個能力庫是開放性質的，還具有繼續(xù)擴展的性能，同時平臺還為第三方算法能力提供集成支持，包括深度學習、Halcon 以及OpenCV 等的視覺檢測能力庫等。而且平臺為用戶提供的接口能力單元非常標準，可把以前使用的視覺檢測算法向平臺移植后繼續(xù)使用。

2.3.4 能力編排引擎

視覺檢測系統(tǒng)具備的關鍵核心能力就包括能力編排引擎，面對場景需要的多樣化，用戶可利用能力編排引擎實現編排開發(fā)的可視化，對各種檢測的新場景進行視覺檢測的流程以及算法的編排適配，滿足新場景下的視覺檢測要求。

2.3.5 利用5G＋MEC網絡制定承載方案

企業(yè)生產數據要求嚴密的安全保護，限制在園區(qū)內部流通，要達到這一目標，需要構建5G 與MEC聯(lián)合支持的內部網絡，①通過5G 網絡連接相關設備，確保數據傳輸安全；②通過對MEC 本地分流功能的合理利用，機密數據向本地視覺檢測平臺分流并確保限制在廠區(qū)，提升安全保護效果，而且本地分流還能使端間通信避免延時，實現系統(tǒng)的快速響應。

2.4 應用效果

在5G 網絡基礎上構建AI 工業(yè)視覺檢測系統(tǒng)，把視覺檢測與MEC，5G 以及AI 實現了完美融合，使視覺檢測系統(tǒng)實現了智能化與平臺化，視覺檢測得以多場景同步檢測。與目前企業(yè)使用的昂貴、不易管理以及功能單一的視覺檢測系統(tǒng)相比，新開發(fā)的視覺檢測系統(tǒng)成本不高，支持大規(guī)模部署，而且該系統(tǒng)可構建算法的集成主流庫，有極強的算法能力和管理能力，支持大數據技術展開檢測流程與結果分析，同時它的操作流程非常標準，向非專業(yè)人員開放門檻。這個系統(tǒng)應用于工業(yè)視覺檢測，對智能化水平的提升大有裨益，企業(yè)運行效率上升，節(jié)約人力資源，加速向智能化數字化轉型升級。

3 價值分析

3.1 產品自身價值

（1）成本層面。與目前使用的視覺檢測系統(tǒng)相比，智能工業(yè)相機和系統(tǒng)的平臺化，這種系統(tǒng)極大節(jié)省了現場硬件配置，且算力極強，企業(yè)進行規(guī)模化部署時可節(jié)約大量成本投資，檢測場景批量部署起來更加迅速。

（2）算法層面。系統(tǒng)的平臺化支持高強度高復雜性的算法能力，維護作業(yè)簡便易行，有極強的擴展空間，檢測與識別的精準度和效率大幅提升。

（3）使用層面。系統(tǒng)編排引擎和模型訓練降低了難度，非專業(yè)人員也可迅速完成場景部署。

（4）管理層面。系統(tǒng)的平臺化可同步接入眾多檢測場景，達到場景管理的精細化目標，有效規(guī)避了數據孤島的出現，企業(yè)可從整體上分析和管控數據，生產工藝大幅提高。

3.2 產品工業(yè)應用價值

在5G 網絡基礎上構建的AI 工業(yè)視覺檢測系統(tǒng)，企業(yè)可從中獲取視覺檢測的端間解決方案，可接入視覺檢測的全部場景，構建監(jiān)管體系，視覺檢測向智能化的高效低耗資方向發(fā)展，產品質量和生產效率穩(wěn)步提升，成本下降使經濟收益明顯增長。而且，構建的5G 與NEC 聯(lián)合企業(yè)內部網絡系統(tǒng)負責處理企業(yè)數據，使5G 網絡與企業(yè)生產協(xié)調發(fā)展，業(yè)務點得以擴張，適宜大面積地復制和推廣。

4 結語

科技為工業(yè)發(fā)展提供源源不斷的推助力，在AI智能技術的催化下，多種行業(yè)都迎來了新機遇，但新的道路并不總是平坦的。目前在我國的自動化控制系統(tǒng)建設中，已經逐步開發(fā)AI 智能檢測技術，但相比國外先進水平仍有距離。相關企業(yè)應當加大資金人才投入力度，以實踐為基礎，探索人工智能與自動化的深度結合，促進工業(yè)健康發(fā)展。