云端融合机器视觉在工业质检上的再进化
人工智能机器视觉技术在质检领域的应用，为工业流水线带来了精准度高、速度快、稳定性高、信息集成与留存等明显的优势，帮助企业可以更好地进行质量和成本控制。而且现在的机器视觉已经不仅仅在工厂端，其已经成为一个云端融合的系统，持续地推动工业的升级。
作者|王聪彬
在工厂里，工作岗位有很多，质检员就是其中一种。质检员需要负责公司所有物资、产品、设备的质量检查，这就需要熟悉并理解产品图纸、工艺、产品结构、性能及使用要求等，可以说质量管理是一项复杂的系统工程，也是企业品牌和市场竞争力的关键。
制造业在生产上一直在不断的发展，在质检上也不例外，人工检测不可避免还是会出现不良品，而且耗时长，效率低等问题。
随着人工智能机器视觉技术在质检领域的应用，为工业流水线带来了精准度高、速度快、稳定性高、信息集成与留存等明显的优势，帮助企业可以更好地进行质量和成本控制。而且现在的机器视觉已经不仅仅在工厂端，其已经成为一个云端融合的系统，持续地推动工业的升级。
当机器视觉遇上工业质检
据MarketsandMarkets发布的研究报告显示，2020全球机器视觉市场规模为107亿美元，到2025年，该市场将增长至127亿美元。预测期内（2020—2025年）的年复合增长率为13.6%。
全球机器视觉市场增长主要有以下四大驱动力：一、工业质量检查和自动化需求；二、视觉引导机器人系统需求；三、3D机器视觉系统的不断采用；四、混合动力和电动汽车的生产的增加。
其中机器视觉在工业上应用领域广阔，核心功能包括：测量、检测、识别、定位等。产业链可以分为上游部件级市尝中游系统集成/整机装备市场和下游应用市常上游包括：光源、镜头、工业相机、图像采集卡、图像处理软件等软硬件提供商；中游包括：集成和整机设备提供商；下游包括：电子制造行业、汽车、印刷包装、烟草、农业、医药、纺织、交通等领域。
中科创达CTO邹鹏程表示，工业质检是机器视觉在工业应用中较早的领域，在发展上也有着组织、文化、产品三大挑战，这就需要打造面向服务的平台型组织，打造以技术为本的开放文化，最重要的是打造一套融合系统解决机器视觉在工业领域的应用。
因为未来更多是异构分布计算的场景，所以系统架构应该是终端和云端一致的体系，也就是融合系统，通过同一个代码就可以实现所有的运行和部署，不需要考虑在端侧还是云侧。
云端的融合ADC系统
成立于2008年的中科创达致力于提供卓越的智能操作系统产品、技术及解决方案，主要拥有智能系统、智能物联、智能汽车、AI&视觉四大业务板块。
2018年中科创达推出了基于人工智能和智能视觉技术的中科创达智慧工业ADC (Automatic Defect Classification) 系统，将AI技术赋能传统工业，提升生产效率和产品良率，助力传统制造企业转型升级。
ADC系统包含缺陷自动化分类、新产品迭代数据清洗、业务作业员认证三个子系统，从作业员技能认证、数据集更新到新产品导入，贯穿工业检测的整个生命周期，有效帮助制造企业减少75%的工作量，产能提升35倍。相比人工检测，漏检率下降3%，准确率提升99%。
ADC系统采用云端一体架构，通过底层基础设施、ML框架、Amazon SageMaker封装组合，构建上层的ADC系统。
云端融合 机器视觉在工业质检上的再进化
邹鹏程表示，ADC系统在2019年开始一期第一阶段的研发，最初为私有化部署，并非云方案，经过了半年的开发测试，准确率达到了90%。由于私有化需要部署在各地工厂端，带了很大的成本压力，而且疫情期间很难进行实地部署，所以在一期第二阶段，开始在AWS上进行试点，并使用Amazon SageMaker。
在与Amazon SageMaker集成后ADC系统具备了四大特点：第一、上手容易：大大降低简易算法开发的难度，工具链完善，上手的速度非常快；第二、开发快速：使用组件快速、轻松地构建和训练机器学习模型，在控制台即可将模型部署到安全、可扩展的环境中；第三、算法灵活：支持主流的TensorFlow、PyTorch、Keras、xnet等框架，提供常见的机器学习算法，支持自定义算法；第四、功能强大：一体式机器学习环境，高质量的训练数据集，实验管理和跟踪，强化学习、模型监控等。
让行业应用发挥更大作用
ADC系统有三种部署模式，第一、私有化部署，即在工厂端；第二、云端部署，即部署在AWS上；第三、分布式部署，端侧部署ARM服务器和AWS IoTGreengrass边缘计算等，云侧部署Amazon SageMaker的组合。
在效果上，ADC系统在一家LCD液晶屏企业中应用实现了检测时间从3.5/张到小于0.1秒/张，准确率从85%到大于99%，人员从100人降低到小于25人，工作量减少了75%，漏检率下降到3%以内。
目前ADC系统已经在多个领域进行应用，第一、汽车行业，例如表面涂胶检测、车身板件装配检测等；第二、电子产品行业，例如PCBA电路板检测、外观缺陷检测、包装缺陷检测等；第三、化妆品行业，例如包装缺陷检测、灌装液位检测、标签损坏检测等。
在与AWS的合作上，其实中科创达最早是自己做模型的训练、分发等工作，在过程中也认识到自己的核心价值是操作系统和之上的算法，所以转向Amazon SageMaker可以轻松地获得机器学习能力，例如弹性Notebook、实验管理、自动模型创建、模型调试分析，以及模型概念漂移检测等能力。
AWS中国区生态系统及合作伙伴部总经理汪湧也提到和中科创达合作的三大战略意义，第一、AWS在集成电路领域的应用，第二、Amazon SageMaker落地中国，为中国企业提供集成化的人工智能环境，帮助企业进行转型；第三、传统视觉技术到云上的转型。
在Amazon SageMaker和合作之后，AWS也将和中科创达在汽车、晶片等行业进行拓展，在新基建的框架下，通过技术帮助合作伙伴在行业应用上发挥更大的作用。
本文名称：云端融合机器视觉在工业质检上的再进化
文章出自：http://cdiso.cn/article/chogjd.html
