工業(yè)4.0范式鼓勵(lì)制造業(yè)使用機(jī)器學(xué)習(xí)，人工智能，云計(jì)算和工業(yè)物聯(lián)網(wǎng)（IIoT）技術(shù)來改善工業(yè)流程，產(chǎn)品質(zhì)量，降低成本并縮短上市時(shí)間。

機(jī)器學(xué)習(xí)算法充當(dāng)OEM的智能決策支持系統(tǒng)，適用于各種制造應(yīng)用，例如：

預(yù)測(cè)性維護(hù)

提高產(chǎn)品質(zhì)量控制

機(jī)器異常檢測(cè)

生產(chǎn)線監(jiān)控

供應(yīng)鏈管理等

智能工廠和倉(cāng)庫(kù)通過連接設(shè)備和分布式基礎(chǔ)設(shè)施不斷收集和共享海量數(shù)據(jù)。使用復(fù)雜的機(jī)器學(xué)習(xí)算法分析大量數(shù)據(jù)需要大量的計(jì)算能力。現(xiàn)有的本地和集中式云基礎(chǔ)設(shè)施有能力，但它們?cè)谘舆t、巨大的帶寬消耗、安全相關(guān)問題等方面有自己的局限性。一些智能工業(yè)應(yīng)用需要低延遲才能實(shí)時(shí)訪問數(shù)據(jù)。為了減少延遲和帶寬使用，邊緣機(jī)器學(xué)習(xí)是解決方案。

大局：智能工廠邊緣的機(jī)器學(xué)習(xí)

邊緣機(jī)器學(xué)習(xí)是一種使用機(jī)器學(xué)習(xí)或深度學(xué)習(xí)算法在設(shè)備級(jí)別或網(wǎng)絡(luò)“邊緣”的本地基礎(chǔ)設(shè)施進(jìn)行數(shù)據(jù)處理的技術(shù)，從而減少對(duì)云網(wǎng)絡(luò)的依賴。邊緣計(jì)算允許在邊緣上運(yùn)行計(jì)算密集型機(jī)器學(xué)習(xí)算法。這有助于生成更多的實(shí)時(shí)分析，因此，現(xiàn)在可以為各個(gè)行業(yè)提供各種類型的應(yīng)用程序。

在大多數(shù)情況下，機(jī)器學(xué)習(xí)模型是在Tensorflow，Keras，Caffe等框架中編程的。使用這些框架，編程模型在高端平臺(tái)（如計(jì)算機(jī)系統(tǒng)（PC或筆記本電腦））或云平臺(tái)（如Microsoft Azure，Google Cloud，Amazon AWS等）上進(jìn)行訓(xùn)練。模型經(jīng)過訓(xùn)練后，將其保存并部署在云平臺(tái)或更相關(guān)的嵌入式平臺(tái)上，用于實(shí)時(shí)推理（預(yù)測(cè)），例如基于恩智浦IMX8M的設(shè)備。

AI/ML，尤其是邊緣ML已成為推動(dòng)工業(yè)4.0發(fā)展的重要技術(shù)。它對(duì)于提高智能工廠中的產(chǎn)品質(zhì)量起著非常重要的作用。

機(jī)器學(xué)習(xí)模型在各種制造操作中的應(yīng)用

表面檢測(cè)：對(duì)于電子制造，表面檢查包括焊點(diǎn)檢查，完整性檢查，連接器引腳檢查，外觀外殼檢查等

質(zhì)地檢測(cè)：在不同類型的物體中，它們的質(zhì)量反映在其表面紋理上。因此，基于視覺的紋理檢測(cè)在決定物體質(zhì)量方面起著重要作用。在膠合板制造中，木材是原材料。木材中結(jié)的存在會(huì)削弱木材并增加斷裂的可能性。這種弱點(diǎn)取決于它的大小、位置、數(shù)量和狀況。使用基于深度學(xué)習(xí)的視覺模型，可以檢測(cè)、計(jì)數(shù)木材中結(jié)的存在，并測(cè)量其大小。

缺陷檢測(cè)：有許多例子表明，基于視覺的算法可用于檢測(cè)產(chǎn)品中的缺陷。例如，在制藥中，基于視覺的模型可以幫助檢測(cè)各種缺陷，即顏色偏差、膠囊中的凹痕或孔洞、不規(guī)則形狀或損壞的邊緣或藥丸的裂縫等。它可以識(shí)別生產(chǎn)線中的異物。

隨著半導(dǎo)體技術(shù)的進(jìn)步，可以在邊緣平臺(tái)上部署這些計(jì)算量大的算法。通過在各種SoC中集成圖形處理單元，數(shù)字信號(hào)處理，神經(jīng)處理單元，可以在低功耗，低成本平臺(tái)上實(shí)現(xiàn)實(shí)時(shí)性能。

如何確保智能工廠的制成品質(zhì)量？

在保持智能工廠制造的產(chǎn)品質(zhì)量方面起著非常重要作用的一些關(guān)鍵因素是：

機(jī)器的一致運(yùn)行：-為了保證制造產(chǎn)品的質(zhì)量始終如一，重要的是所有機(jī)器都以最佳狀態(tài)運(yùn)行，同時(shí)實(shí)現(xiàn)最高的效率和最短的停機(jī)時(shí)間?；跈C(jī)器學(xué)習(xí)的預(yù)測(cè)性維護(hù)使用各種技術(shù)（如異常檢測(cè)）來及早識(shí)別機(jī)器故障并及時(shí)維護(hù)。監(jiān)控各種物理參數(shù)，即振動(dòng)、噪音、溫度、電力消耗等，并根據(jù)其異常行為進(jìn)行維護(hù)預(yù)測(cè)。

對(duì)于制造商來說，預(yù)測(cè)性維護(hù)是游戲規(guī)則的改變者。它可以幫助他們?yōu)橹悄苤圃熳龀鰯?shù)據(jù)驅(qū)動(dòng)的決策。在各種低成本、低功耗MCU的幫助下，可以以非常經(jīng)濟(jì)高效的方式將其部署在工廠中。傳感器為各種物理屬性生成大量數(shù)據(jù)，將所有這些原始數(shù)據(jù)發(fā)送到云用于ML用例是不切實(shí)際的。利用邊緣設(shè)備的處理能力非常重要。

過程中質(zhì)量控制：-在傳統(tǒng)的制造過程中，目視檢查和質(zhì)量控制相關(guān)活動(dòng)由人工負(fù)責(zé)。人工檢查產(chǎn)品質(zhì)量可能不準(zhǔn)確。這會(huì)導(dǎo)致產(chǎn)品缺陷、不合規(guī)和收入損失。為了克服這個(gè)問題，基于視覺的深度學(xué)習(xí)模型被用于智能工廠。

基于視覺的深度學(xué)習(xí)模型的分類如下所述：

圖像分類：識(shí)別圖像中物體的存在，即木材、藥物、水果/蔬菜等。

對(duì)象本地化：在這里，除了識(shí)別對(duì)象外，還確定邊界框以定位對(duì)象在圖像中的確切位置

語義分割：這是指將圖像的每個(gè)像素鏈接到特定的類標(biāo)簽。

實(shí)例分段：它與語義分割非常相似，但它處理同一類的多個(gè)對(duì)象

機(jī)器學(xué)習(xí)模型有望改變制造業(yè)，使用圖像分類來監(jiān)控裝配線上的機(jī)器磨損，對(duì)在制品和成品進(jìn)行質(zhì)量檢查。

審核編輯：郭婷