工业场景下AI质检关键技术及平台架构研究

周华 郑荣 肖荣

摘  要：文章阐述了制造型企业在工业4.0时期所面临的智能化挑战，以产品质量检验环节为切入点，详细分析了工业场景下智能化质检场景涉及的关键技术，并提出了基于云边协同的智能质检平台架构。该平台架构结合云端算法训练能力和MEC边缘计算推理能力，面向工业质检场景，能够快速实现AI推理能力的边缘化部署，推动了工业智能化场景的广泛应用。

关键词：计算机视觉;机器学习;深度神经网络;工业质检;MEC;容器化

中图分类号：TP391.4       文献标识码：A文章编号：2096-4706（2022）05-0149-04

Research on Key Technology and Platform Architecture of AI Quality Inspection under Industrial Scene

ZHOU Hua， ZHENG Rong， XIAO Rong

（Shanghai Ideal Information Industry （Group） Co.， Ltd.， Shanghai  201315， China）

Abstract： This paper expounds the intelligent challenges faced by manufacturing enterprises in the period of industry 4.0. It takes the product quality inspection link as the pointcut， analyzes the key technologies of intelligent quality inspection scene in the industrial scene in detail， and proposes an intelligent quality inspection platform architecture based on cloud edge collaboration.The platform architecture combines the cloud algorithm training ability and MEC edge computing and reasoning ability. It can quickly realize the edge deployment of AI reasoning ability in the face of industrial quality inspection scene， and promote the wide application of industrial intelligent scenes.

Keywords： Computer Vision; Machine Learning; Deep Neural Network; industrial quality inspection; MEC; container

0  引  言

工业4.0是以智能制造为主导的第四次工业革命，目标是工业制造过程中各个环节尽可能通过智能系统自动化进行，通过智能技术将工业生产运作效率提高到一个新的高度。从国家层面来说，《中国制造2025》是国家战略，“十四五”规划纲要也明确提出了要推动我国制造行业的数字化改造，通过建设智能制造示范工厂，完善智能制造的标准体系，加快数字化发展，加强关键数字技术创新应用。从企业角度来讲，智能化也是提升企业效率、强化产品质量的有效途径。但是，随着制造企业产线的生产自动化程度越来越高，对产品质量以及生产效率的要求也越来越严格，传统人工和相对简单的质量检测手段已不能够满足企业对产品质量控制的需要。不过令人振奋的是，随着计算机技术和基础理论的发展，基于计算机视觉[1]的智能质量检测技术也得到了迅猛发展。尤其是机器学习/深度学习技术的跨越式发展，令以前大部分人眼难以直接量化的特征问题，都得到了很好的技术解决方案。特别是在图像分类、目标检测这些问题上，深度学习技术取得了非常显著的效果。

1  智能质检关键技术

1.1  卷积神经网络技术

深度神经网络[2]是机器学习（Machine Learning， ML）领域中一种技术，2006年，“深度学习三巨头”之一的Hinton教授提出了在非监督数据上建立多层神经网络的方法，证明了深度神经网络拥有强大的特征提取能力，从此进入了深度学习时代。当前最流行的神经网络是深度卷积神经网络（Deep Convolutional Neural Networks， CNNs）。因为准确率和泛化能力等原因，目前提到的卷积神经网络，一般都指深层结构的卷积神经网络，根据网络设计，层数通常在数十上百层左右。CNNs可以自动从大规模数据中自动学习特征，并具备很强的泛化能力，因此在很多技术研究领域都取得了很好的应用效果，例如：语音识别、自然语言处理（NLP）以及包括图像识别、图像分割在内的计算机视觉领域。

通常一个深度卷积网络会由多个卷积层、池化层以及全连接层组成，如图1所示。卷积层与池化层相互配合可组成卷积组，用于逐层提取原始图像数据的特征（Feature）。最后，深度卷积网络会通过一个或多个全连接层完成原始数据的分类。可以说卷积层主要对输入图片数据进行特征提取，而池化层，主要是为了降低数据维度。卷积神经网络具有局部感知和参数共享两个特点，降低了网络模型的复杂度，减少了权值的数量，可以有效地从大量样本中学习到相应地特征，避免了复杂的特征提取过程。

卷积网络在本质上是对Input数据到Output的映射，在此过程中神经网络通过前向传播、后向传播及梯度下降等方式，学习大量Input数据与Output之间的映射关系，用已知的模式對卷积神经网络加以训练，网络就具有输入数据和输出数据之间的映射能力。

图1  深度卷积网络

从最早的LeNet5，到确立深度学习在计算机视觉的统治地位的AlexNet，以及后来发扬光大的VGG、GoogleNet、ResNets等模型，这些重大的技术突破都是基于深度卷积神经网络。CNNs及衍生出来的网络模型直接将图像数据作为输入，不仅无须人工对图像进行耗时耗力的特征抽取等复杂操作，而且以强大的特征提取能力，使得对图像的识别结果在某些方面甚至超过人类水平。

1.2  MEC边缘计算技术

随着物联网系统及工业智能制造的发展，边缘计算等相关技术也开始发挥出越来越重要作用。现阶段国家政策背景下，大量制造型企业对高质量发展的需求不断增加，对业务及时性和数据隐私等要求力度进一步升级，呈现出智能化、柔性化和精细化的发展趋势，因此边缘计算（MEC）技术得到了大量推进与应用。

在工业制造领域，边缘计算处于物理实体和工业连接之间，或处于物理实体的顶端，是在设备及数据生产源侧，部署融合基础设施（算力、存储、网络）及智能应用能力的分布式架构体系，从而形成全新的业务模式，就近提供边缘算力及智能化的服务，满足制造型企业在对业务实时性、数据安全性、业务隐私性以及应用智能化等方面的关键性需求，从数据采集归集、知识模型化、管理柔性化以及端到端的产业协作等方面来推动制造行业的数字化发展。

边缘计算在制造业中的物理架构实现形式主要以边缘网关、边缘云为主，企业可根据自身需求选择相应的架构。边缘网关及边缘云基于云原生的云边协同架构，采用容器、虚拟化等基础设施管理技术，构建边缘数据采集分发集成平台/网关，主要实现边缘测的设备数据采集，人员、设备、物料、环境、业务管理等数据的统一接入、集中存储以及智能分析处理等功能。

此外，随着边缘计算在制造型企业中的广泛应用，云端计算与边缘计算的协同效应也在快速增强，云边协同成为制造业数字化改造的主要手段。这主要是由于一方面边缘计算在工业产线上作用巨大，可以实现业务数据本地处理及生产现场的实时控制反馈;另一方面，企业也需要云端平台的能力，聚焦于长周期、大数据的处理。

1.3  微服务容器化部署技术

随着微服务架构的出现，业界很多平台架构都从单体服务转变成微服务化，尤其是一些架构复杂，业务比较广泛的项目，微服务化是大势所趋，可以解决独立构建、更新、运维等一系列问题，从而解放生产力，促进交付效率和质量。容器化[3]技术也是微服务架构中不可或缺的关键技术之一。在工业场景下，由于各种条件限制导致本地环境和云上环境存在较大差异，通过云端直接部署到本地的应用需要各种修改配置和参数来做兼容，导致无法快速本地发布。面对此类问题，容器化部署是个很好的解决方案。

容器（container）是指隔离开的一系列进程，由镜像提供支持进程所需的全部文件。容器提供的镜像包含了应用的所有依赖项，因而在从开发到测试再到生产的整个过程中，它都具有可移植性和一致性。虚拟化使得多个操作系统可同时运行在单个系统上，而容器则可共享同一个操作系统的内核，将应用程序与系统其他部分隔离开，容器化的最大优势在于对于相同的硬件占用空间更小，可以比虚拟机运行更多的实例，如图2所示。

图2  虚拟化和容器

容器提供了一个打包和运行应用的隔离环境，其隔离和安全特性允许你在一个主机同时运行多个容器。容器化技术以其独特的优势，被广泛应用应用的自动化打包和发布、自动化测试和持续集成、发布以及构建PaaS平台环境。

采用容器化部署的优势有：

（1）轻量化，系统开销小：与KVM之类的虚拟化方案相比，能够更加快速和占用更少资源;

（2）安全隔离与高利用率：有较好的资源隔离限制能力，确保应用安全;容器服务与底层共享操作系统，资源利用率高;

（3）快速部署：无须重新启动操作系统，秒级实现开启/关闭;

（4）运行环境标准化：基于容器镜像实现环境一致性和标准化。

2  工业智能质检能力平台架构

工业智能质检能力平台总体架构如图3所示，总体分为应用前台、运营中台、数据后台和能力网关。应用前台主要面向工业领域客户提供具体的应用服务，主要包括企业生产流程中涉及安全生产、工业质检、日常巡检等各类场景的机器视觉智能算法应用服务，一定程度上实现通用场景能力的跨行业横向复制;运营中台负责平台的运营、运维管理，主要包括配置服务门户、日常监控管理、算法管理、调度管理等功能;数据后台负责客户数据接入、AI算法生产、模型发布、容器管理及模型適配等功能;能力网关主要负责平台AI检测能力的开放和边缘侧平台及工业网关设备的对接。平台核心的功能界面如图4和图5所示。

此外，为了实现工业场景下的快速发布与部署，平台可采用5G MEC[4]或边缘智能终端实现云边协同，5G MEC和工业网关用于提供边缘测的算力。通过云边协同实现工业视觉应用与5G网络紧密融合，利用5G高带宽、低时延、大连接的特性，便于快速赋能产线业务，同时也满足移动化智能应用场景需求。通过5G MEC能力，一方面可实现工业视觉平台AI能力的快速边缘化部署，为工业产线提供各种不同的产线AI质检能力;另一方面可实现产线推理结果的数据反馈，用于AI检测模型的优化提升，进一步形成线上与线下的正向循环[5，6]。

3  结  论

工业质检是每个制造型企业提升生产效率及产品质量必须关注的环节，尽管目前工业场景下很多质检环节受制于基础设施等条件，尚无法实现完全智能化、自动化，但随着算力芯片技术高速发展、智能算法的逐步优化以及基础网络设施的完善，智能质检是大势所趋，智能质检平台会有更大的普适性。最后，随着国家“十四五”规划对制造业技术智能化的要求以及中国制造2025战略的持续推进，必将推动整个工业智能化的整体进程高速发展。

参考文献：

[1] 李东.计算机视觉技术在工业领域中的应用 [J].电子技术与软件工程，2017（16）：147.

[2] 赵永强，饶元，董世鹏，等.深度学习目标检测方法综述 [J].中国图象图形学报，2020，25（4）：629-654.

[3] 彭勇，谢剑，童遥，等.一种基于Docker的数据中心云平台实现方法及系统 [J].中兴通讯技术，2017，23（2）：60-62.

[4] 孔令义.“5G+MEC”为智能制造赋能的部署应用 [J].电信科学，2019，35（10）：137-145

[5] 吕华章，张忠皓，李福昌，等.5G MEC边缘云组网研究与业务使能 [J].邮电设计技术，2019（8）：20-25.

[6] 李杰，李响，许元铭，等.工业人工智能及应用研究现状及展望 [J].自动化学报，2020，46（10）：2031-2044.

作者简介：周华（1979—），女，汉族，江苏无锡人，中级工程师，本科，研究方向：AI能力、工业智能化场景、大数据挖掘与分析;郑荣（1981—），男，汉族，江苏无锡人，高级工程师，硕士，研究方向：AI能力、工业智能化场景、大数据挖掘与分析;肖荣（1975—），男，畲族，江西赣州人，教授级工程师，博士，研究方向：AI能力、工业智能化场景、大数据挖掘与分析。