工業(yè) 4.0 范式鼓勵制造業(yè)使用機器學(xué)習(xí)、人工智能、云計算和工業(yè)物聯(lián)網(wǎng) （IIoT） 技術(shù)來改善工業(yè)流程、產(chǎn)品質(zhì)量，并降低成本和上市時間。

機器學(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)測性維護

提高產(chǎn)品質(zhì)量控制

機器異常檢測

生產(chǎn)線監(jiān)控

供應(yīng)鏈管理等

智能工廠和倉庫通過連接設(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)雜的機器學(xué)習(xí)算法分析大量數(shù)據(jù)需要大量的計算能力?，F(xiàn)有的本地和集中式云基礎(chǔ)設(shè)施有能力，但它們在延遲、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時訪問數(shù)據(jù)。為了減少延遲和帶寬使用，邊緣機器學(xué)習(xí)是解決方案。

大局：智能工廠邊緣的機器學(xué)習(xí)

邊緣機器學(xué)習(xí)是一種使用機器學(xué)習(xí)或深度學(xué)習(xí)算法在設(shè)備級別或網(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)，從而減少對云網(wǎng)絡(luò)的依賴。邊緣計算允許在邊緣上運行計算密集型機器學(xué)習(xí)算法。這有助于生成更多的實時分析，因此，現(xiàn)在可以為各個行業(yè)提供各種類型的應(yīng)用程序。

在大多數(shù)情況下，機器學(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（如計算機系統(tǒng)（PC或筆記本電腦））或云平臺（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或更相關(guān)的嵌入式平臺上，用于實時推理（預(yù)測），例如基于恩智浦IMX8M的設(shè)備。

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

機器學(xué)習(xí)模型在各種制造操作中的應(yīng)用

表面檢查：對于電子制造，表面檢查包括焊點檢查、完整性檢查、連接器引腳檢查、外觀外殼檢查等。

紋理檢查：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)的存在會削弱木材并增加斷裂的可能性。這種弱點取決于它的大小、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、計數(shù)木材中結(jié)的存在，并測量其大小。

缺陷檢測：有許多基于視覺的算法可用于檢測產(chǎn)品中的缺陷的例子。例如，在制藥中，基于視覺的模型可以幫助檢測各種缺陷，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，可以在邊緣平臺上部署這些計算量大的算法。通過在各種SoC中集成圖形處理單元，數(shù)字信號處理，神經(jīng)處理單元，可以在低功耗，低成本平臺上實現(xiàn)實時性能。

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：

機器的一致運行

為了保證制造產(chǎn)品的質(zhì)量始終如一，重要的是所有機器都以最佳狀態(tài)運行，同時實現(xiàn)最高的效率和最短的停機時間?；跈C器學(xué)習(xí)的預(yù)測性維護使用各種技術(shù)（如異常檢測）來及早識別機器故障并及時維護。監(jiān)控各種物理參數(shù)，即振動、噪音、溫度、電力消耗等，并根據(jù)其異常行為進(jìn)行維護預(yù)測。

對于制造商來說，預(yù)測性維護是游戲規(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。這會導(dǎo)致產(chǎn)品缺陷、不合規(guī)和收入損失。為了克服這個問題，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：識別圖像中物體的存在，即木材、藥物、水果/蔬菜等。

對象定位：在這里，除了識別對象外，還確定一個邊界框以定位對象在圖像中的確切位置。

語義分割：這是指將圖像的每個像素鏈接到特定的類標(biāo)簽。

實例分段：它與語義分割非常相似，但它處理同一類的多個對象。

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

審核編輯：郭婷