寧德時(shí)代是綠色發(fā)展生態(tài)理念的重要響應(yīng)者和實(shí)踐者。為應(yīng)對(duì)全球市場(chǎng)動(dòng)力電池需求的持續(xù)增長(zhǎng)，寧德時(shí)代使用基于英特爾架構(gòu)的產(chǎn)品技術(shù)，成功構(gòu)建了一套橫跨“云-邊-端”，融合CV、DL和 ML 的 AI 電池缺陷檢測(cè)方案，實(shí)現(xiàn)了生產(chǎn)效率和質(zhì)量控制水平的共同提升。

盡管環(huán)保理念的大行其道正驅(qū)動(dòng)著清潔能源行業(yè)的高速發(fā)展，但在產(chǎn)能和質(zhì)量控制上面臨的難題，也同時(shí)形成了這一行業(yè)的發(fā)展瓶頸。作為全球領(lǐng)先的鋰離子電池研發(fā)制造企業(yè)，寧德時(shí)代新能源科技股份有限公司 (以下簡(jiǎn)稱(chēng) “寧德時(shí)代”) 正積極吸納和利用以 AI (Artificial Intelligence, 人工智能) 為代表的前沿信息技術(shù)，對(duì)旗下動(dòng)力電池的生產(chǎn)進(jìn)行持續(xù)優(yōu)化。利用 AI 技術(shù)實(shí)現(xiàn)電池產(chǎn)品的缺陷檢測(cè)，以提升其生產(chǎn)效率和質(zhì)量控制水平，就是其中的一個(gè)重要突破點(diǎn)。

結(jié)合全球市場(chǎng)的需求狀況，寧德時(shí)代為全新的、基于 AI 的動(dòng)力電池缺陷檢測(cè)方案制訂了具體的目標(biāo)，包括在圖像處理速度上要達(dá)到單工序 400FPS (Frames Per Second，每秒傳輸幀數(shù)) 以上，以及在檢測(cè)精度上須達(dá)到零漏檢。

更快、更好地實(shí)現(xiàn)上述目標(biāo)，寧德時(shí)代與英特爾開(kāi)展了一系列深層次技術(shù)合作，其重心就是導(dǎo)入集成 AI 加速能力的英特爾 至強(qiáng) 可擴(kuò)展平臺(tái)，其中包括可在 CPU 架構(gòu)上提供出色 AI 推理能力的第二代英特爾 至強(qiáng) 可擴(kuò)展處理器，以及能充分釋放其 AI 算力潛能的 OpenVINO 工具套件和面向英特爾 架構(gòu)優(yōu)化的 PyTorch 等多種配套軟件工具。基于這些英特爾 架構(gòu)產(chǎn)品技術(shù)的助力，寧德時(shí)代成功構(gòu)建了一套橫跨 “云-邊-端”，融合計(jì)算機(jī)視覺(jué) (Computer Vision，CV) 、深度學(xué)習(xí) (Deep Learning，DL) 和機(jī)器學(xué)習(xí) (Machine Learning, ML) 技術(shù)的 AI 電池缺陷檢測(cè)方案。該方案目前已通過(guò)測(cè)試驗(yàn)證，達(dá)到了預(yù)期的效能，并成為寧德時(shí)代向其他產(chǎn)線(xiàn)推廣 AI 方法的標(biāo)桿。

?

寧德時(shí)代全新 AI 動(dòng)力電池缺陷

檢測(cè)方案實(shí)現(xiàn)的應(yīng)用優(yōu)勢(shì)

??與寧德時(shí)代傳統(tǒng)的電池缺陷檢測(cè)方法相比，基于 AI 技術(shù)的新方案有更好的速度與更高的精度，達(dá)到了預(yù)先設(shè)定的目標(biāo)——零漏檢及單工序 400FPS 以上的圖像處理速度；

??面向英特爾 架構(gòu)優(yōu)化的 PyTorch，借助內(nèi)置的英特爾 MKL-DNN，提高了深度學(xué)習(xí)框架的性能，再 OpenVINO 工具套件搭配，可助 CPU 輸出更優(yōu)的推理性能；

??新方案對(duì)計(jì)算機(jī)視覺(jué)、深度學(xué)習(xí)、機(jī)器學(xué)習(xí)技術(shù)的融合，可靈活應(yīng)對(duì)不同檢測(cè)場(chǎng)景的需求，有針對(duì)性地選用合適的模型進(jìn)行訓(xùn)練，達(dá)到更好的訓(xùn)練準(zhǔn)確率與檢出率。

當(dāng)今世界，綠色發(fā)展已成為推進(jìn)生態(tài)文明建設(shè)的重要理念。作為這一理念的重要響應(yīng)者和實(shí)踐者，寧德時(shí)代旗下動(dòng)力電池的銷(xiāo)量已在全球范圍內(nèi)遙遙領(lǐng)先，并呈現(xiàn)出供不應(yīng)求的態(tài)勢(shì)。面對(duì)全球市場(chǎng)需求的持續(xù)增長(zhǎng)，寧德時(shí)代也在不斷調(diào)控和優(yōu)化動(dòng)力電池生產(chǎn)的各個(gè)環(huán)節(jié)，以大幅度提升產(chǎn)量。

當(dāng)然，產(chǎn)量的提升，必須要以堅(jiān)持產(chǎn)品質(zhì)量為前提。動(dòng)力電池的基本單元是電芯，每一個(gè)完備電芯的生產(chǎn)都必須經(jīng)過(guò)極其嚴(yán)格的缺陷檢測(cè)，才能保證最終產(chǎn)品的可靠與安全。而缺陷檢測(cè)是一項(xiàng)高度精細(xì)，且較為耗時(shí)的工程，尤其是傳統(tǒng)的人工缺陷檢測(cè)方式，不僅速度慢，而且準(zhǔn)確度較差，成為了制約產(chǎn)量提升的瓶頸。

針對(duì)這一瓶頸，寧德時(shí)代此前拿出的解決方案就是采用傳統(tǒng)數(shù)字圖像處理技術(shù)來(lái)替代人工，用于識(shí)別產(chǎn)品缺陷，以提升檢測(cè)速率與精度。

由于這種檢測(cè)模式泛化能力差，需要根據(jù)每個(gè)機(jī)臺(tái)進(jìn)行參數(shù)適配且與分工廠及總部脫節(jié)，缺乏整體部署管控能力，處理能力不能與持續(xù)增長(zhǎng)的市場(chǎng)需求相匹配，寧德時(shí)代最終決定導(dǎo)入一個(gè)更適合自身業(yè)務(wù)發(fā)展需求的 AI 動(dòng)力電池缺陷檢測(cè)解決方案，它需要滿(mǎn)足總部逐層管控的要求，且要具備更高效的實(shí)時(shí)缺陷檢測(cè)能力，即在圖像處理速度上實(shí)現(xiàn)單工序 400FPS 以上的目標(biāo)，以及在檢測(cè)精度上達(dá)到零漏檢的目標(biāo)。

?

至強(qiáng) 可擴(kuò)展平臺(tái)集成 AI 加速

助力新方案構(gòu)建

為實(shí)現(xiàn)新方案的快速落地，寧德時(shí)代選擇與英特爾開(kāi)展合作，導(dǎo)入其領(lǐng)先的軟硬件產(chǎn)品，特別是集成 AI 加速能力的至強(qiáng) 可擴(kuò)展平臺(tái)，來(lái)構(gòu)建工業(yè)視覺(jué)平臺(tái)系統(tǒng)，該系統(tǒng)正是全新 AI 缺陷檢測(cè)解決方案的核心系統(tǒng)。

為實(shí)現(xiàn)總體管控的目標(biāo)，該系統(tǒng)基于 “云-邊-端” 的架構(gòu)進(jìn)行搭建和部署。如圖二所示，這個(gè)架構(gòu)中的 “云” 設(shè)立在寧德時(shí)代的總部，掌握總體管控的功能，還可根據(jù)實(shí)際生產(chǎn)需要，選用合適的模型進(jìn)行集中訓(xùn)練，再將訓(xùn)練好的模型發(fā)布給 “邊緣” 和 “端” 進(jìn)行就近推理，并接收其返回的推理結(jié)果進(jìn)行存儲(chǔ)；“邊緣” 設(shè)立在分工廠，主要用于重級(jí)模型的推理；“端” 則設(shè)立在工廠內(nèi)每條生產(chǎn)線(xiàn)上，進(jìn)行前端的數(shù)據(jù)采集、預(yù)處理以及簡(jiǎn)單的推理工作，也在 “云” 和 “邊緣” 的管控下，對(duì)生產(chǎn)線(xiàn)進(jìn)行實(shí)時(shí)質(zhì)量管理。

工業(yè)視覺(jué)平臺(tái)系統(tǒng)整個(gè) “云-邊-端” 的系統(tǒng)架構(gòu)以集群形式來(lái)搭建，不僅便于統(tǒng)一管控，還可以通過(guò)分布式部署來(lái)減緩處理壓力，但這同時(shí)也會(huì)帶來(lái)分布式推理經(jīng)常遭遇的銜接不暢問(wèn)題。寧德時(shí)代選用了統(tǒng)一大數(shù)據(jù)分析及 AI 平臺(tái)來(lái)應(yīng)對(duì)這一難題，其包含輕量級(jí)、分布式、實(shí)時(shí)的集群服務(wù)解決方案 (Cluster Serving)，提供了 pub/sub (發(fā)布/訂閱) API，可透明擴(kuò)展至大型集群部署并能按需擴(kuò)展規(guī)模，且支持TensorFlow、PyTorch、Caffe 和 OpenVINO 工具套件等多種主流的深度學(xué)習(xí)框架和模型，并可將這些組件無(wú)縫地集成到整個(gè)數(shù)據(jù)分析管道中，簡(jiǎn)化分布式推理的 “拼接” 流程。

同時(shí)寧德時(shí)代選用了面向英特爾 架構(gòu)優(yōu)化的 PyTorch 深度學(xué)習(xí)框架進(jìn)行 AI 處理。該框架擁有原生版 PyTorch 簡(jiǎn)潔、靈活、易用的特點(diǎn)，內(nèi)置強(qiáng)大的視覺(jué)工具包 torchvision，包含了目前流行的數(shù)據(jù)集、模型結(jié)構(gòu)和常用的圖片轉(zhuǎn)換工具，可輕松應(yīng)對(duì)各種圖像檢測(cè)場(chǎng)景。同時(shí)，它還集成了英特爾 MKL-DNN 及高度矢量化和線(xiàn)程化的構(gòu)建模塊，能夠搭配英特爾 架構(gòu)處理器達(dá)到更優(yōu)的推理性能。

雖然選用了輕巧快速的 PyTorch 框架，但由于實(shí)際場(chǎng)景的高實(shí)時(shí)性要求，整個(gè)方案在處理速度上依舊面臨嚴(yán)峻的挑戰(zhàn)。寧德時(shí)代秉持精益求精的原則，又選用了英特爾開(kāi)源的 OpenVINO 工具套件，來(lái)進(jìn)一步加速 AI 推理性能。OpenVINO 工具套件包含有模型優(yōu)化器 (Model Optimizer) 和推理引擎 (Inference Engine) 兩個(gè)核心組件，模型優(yōu)化器可以將 PyTorch 框架轉(zhuǎn)換為 ONNX 格式，再生成便于推理引擎接收的 IR 文件，結(jié)合其內(nèi)置的 OpenCV 圖像處理庫(kù)優(yōu)化版指令集，可充分利用英特爾 架構(gòu)處理器提供的硬件加速能力，進(jìn)一步提升推理性能。

正所謂好馬配好鞍，先進(jìn)的 AI 軟件優(yōu)化技術(shù)及工具，也需要搭配一流的硬件基礎(chǔ)設(shè)施才能發(fā)揮出最大價(jià)值，有鑒于此，寧德時(shí)代在英特爾的支持下，對(duì)鎮(zhèn)守和支持 “云-邊-端” 架構(gòu)的計(jì)算平臺(tái)進(jìn)行了精心的挑選：在 “端” 處，寧德時(shí)代采用了英特爾 酷睿 i5/i7 系列處理器，借助它們整合圖形處理器的優(yōu)勢(shì)，以及低功耗、低時(shí)延的處理性能來(lái)支撐圖像預(yù)處理與簡(jiǎn)單的推理運(yùn)算任務(wù)；在 “邊緣” 推理模塊及 “云” 中心的訓(xùn)練模塊，則導(dǎo)入了集成 24 內(nèi)核與 48 線(xiàn)程，具備 35.75MB 高速末級(jí)緩存并支持 2,933MHz 內(nèi)存速度的第二代英特爾 至強(qiáng) 可擴(kuò)展處理器，來(lái)為更復(fù)雜的訓(xùn)練和推理提供更強(qiáng)算力支持。與第二代英特爾 至強(qiáng) 可擴(kuò)展處理器搭檔的，還有英特爾 固態(tài)盤(pán) D3-S4610 系列，它擁有出色的容量配置以及高達(dá) 560MB/s 的讀取速度及 510MB/s 的寫(xiě)入速度，可為總部的統(tǒng)一數(shù)據(jù)管理提供可靠的支撐1。

如此一套完整的、橫跨 “云-邊-端” 的 AI 軟硬件架構(gòu)選型和匹配完成后，寧德時(shí)代 AI 缺陷檢測(cè)解決方案的工業(yè)視覺(jué)平臺(tái)系統(tǒng)也基本成形，其中由第二代英特爾 至強(qiáng) 可擴(kuò)展處理器、OpenVINO 工具套件、面向英特爾 架構(gòu)優(yōu)化的 PyTorch 等關(guān)鍵軟硬件組合而成的集成 AI 加速能力的至強(qiáng) 可擴(kuò)展平臺(tái)，更是蓄勢(shì)待發(fā)。

?

英特爾團(tuán)隊(duì)全方位助力檢測(cè)平臺(tái)優(yōu)化

如果將構(gòu)建完整解決方案比喻成房屋建設(shè)，那么搭建系統(tǒng)架構(gòu)只是完成了地基打造，在其之上，更重要的是利用 AI 技術(shù)來(lái)添磚加瓦。英特爾從這一角度出發(fā)，結(jié)合動(dòng)力電池缺陷檢測(cè)實(shí)際場(chǎng)景，幫助寧德時(shí)代在原有計(jì)算機(jī)視覺(jué)檢測(cè)方案的基礎(chǔ)上，新添了深度學(xué)習(xí)及機(jī)器學(xué)習(xí)兩種技術(shù)，提出了 “CV+DL+ML” 混合模式的創(chuàng)新型缺陷檢測(cè)方案，并在選用模型、訓(xùn)練方法、數(shù)據(jù)標(biāo)注及模型調(diào)優(yōu)等方面提供了全面助力。

熟悉 AI 技術(shù)和應(yīng)用的人都了解這一原則：不同的模型適用于不同的場(chǎng)景，或者說(shuō)不同場(chǎng)景都需要找到適合自己的模型進(jìn)行訓(xùn)練和推理，才能達(dá)到更優(yōu)效果。對(duì)寧德時(shí)代的全新 AI 動(dòng)力電池缺陷檢測(cè)方案來(lái)說(shuō)，其場(chǎng)景即為生產(chǎn)過(guò)程表面缺陷檢測(cè)。

面對(duì)占比 80% 以上的表面缺陷分類(lèi)場(chǎng)景，寧德時(shí)代和英特爾共同探討驗(yàn)證的方向是：以 ResNet50 為基礎(chǔ)網(wǎng)絡(luò)結(jié)構(gòu)，引入機(jī)器學(xué)習(xí)中的分類(lèi)器 (Classifier) 來(lái)進(jìn)行分類(lèi)檢測(cè)，以求達(dá)到更優(yōu)效果；同時(shí)采用只需要少量支持向量作為樣本數(shù)據(jù)即可進(jìn)行訓(xùn)練的支持向量機(jī) (Support Vector Machine，SVM) 分類(lèi)器，來(lái)解決數(shù)據(jù)不足的問(wèn)題。

傳統(tǒng)的 SVM 分類(lèi)器是一種應(yīng)用非常廣泛的、適用于二分類(lèi)的分類(lèi)器，依據(jù)支持向量與分類(lèi)超平面間隔最大化的原則，通過(guò)多次訓(xùn)練迭代，尋求最優(yōu)的分類(lèi)超平面，以實(shí)現(xiàn)數(shù)據(jù)分類(lèi)。針對(duì)表面缺陷檢測(cè)中的多分類(lèi) (multiple-class) 問(wèn)題，SVM 也有良好的處理方式，它可以將多分類(lèi)問(wèn)題分解成多個(gè)二分類(lèi)問(wèn)題，再構(gòu)造多個(gè)分類(lèi)器逐個(gè)分類(lèi)解決。通過(guò) ResNet50+SVM 的方案，寧德時(shí)代有效化解了多種類(lèi)異常檢測(cè)問(wèn)題。

除了為主要檢測(cè)場(chǎng)景選用合適的模型，圖像特征的準(zhǔn)確標(biāo)注以及模型訓(xùn)練的方法選用，也對(duì)模型準(zhǔn)確度有著至關(guān)重要的影響。為此，寧德時(shí)代在英特爾的支持下，在新方案中使用了強(qiáng)大的標(biāo)注工具——Labelme 來(lái)對(duì)數(shù)據(jù)集中的圖像進(jìn)行標(biāo)注，并將標(biāo)注后的特征類(lèi)別及位置信息傳輸?shù)?a href="http://www.www27dydycom.cn/tags/神經(jīng)網(wǎng)絡(luò)/" target="_blank">神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練。Labelme 工具不僅可以標(biāo)注各種形狀，還可以支持圖像分類(lèi)、目標(biāo)檢測(cè)、場(chǎng)景分割、實(shí)例分割、視頻標(biāo)注等功能，全面覆蓋了動(dòng)力電池缺陷檢測(cè)的范圍。更重要的是，該工具支持像素級(jí)的細(xì)粒度標(biāo)注，對(duì)標(biāo)注效率與準(zhǔn)確度的提升大有裨益。

模型訓(xùn)練的準(zhǔn)確度除了與數(shù)據(jù)標(biāo)注有關(guān)外，更大程度上受數(shù)據(jù)集量級(jí)的影響。數(shù)據(jù)集越大，訓(xùn)練越全面，最終的結(jié)果就越精確。但實(shí)際生產(chǎn)中很難收集到巨量的數(shù)據(jù)集，而且采用大數(shù)據(jù)集從頭訓(xùn)練需要耗費(fèi)大量時(shí)間及資源。但反過(guò)來(lái)，如果數(shù)據(jù)集量級(jí)太低，訓(xùn)練結(jié)果也容易出現(xiàn)模型過(guò)度依賴(lài)訓(xùn)練數(shù)據(jù)而引發(fā)的過(guò)擬合 (Overfitting) 現(xiàn)象，難以投入實(shí)際應(yīng)用。

針對(duì)這一矛盾，寧德時(shí)代和英特爾選擇了遷移學(xué)習(xí)訓(xùn)練 (Transfer Learning for Training) 方法，如表一所示，根據(jù)已有的預(yù)訓(xùn)練源模型進(jìn)行模型微調(diào) (fine-tuning)，將源模型的初始參數(shù)重新配置，直接從最后一層或最后幾層開(kāi)始重新訓(xùn)練，依據(jù)少量數(shù)據(jù)集作為樣本，并在訓(xùn)練集中加入曾經(jīng)預(yù)測(cè)錯(cuò)誤的圖片，來(lái)提升模型在新樣本中對(duì)于該種類(lèi)別的訓(xùn)練準(zhǔn)確度，最終通過(guò)反復(fù)調(diào)整，得出的模型在精度上甚至可以與那些采用大數(shù)據(jù)集從頭開(kāi)始訓(xùn)練的模型相媲美，但比之更為節(jié)省時(shí)間以及資源，大大提高了訓(xùn)練效率。

?

展望

通過(guò)導(dǎo)入集成 AI 加速能力的英特爾 至強(qiáng) 可擴(kuò)展平臺(tái)，并與英特爾開(kāi)展緊密合作對(duì)檢測(cè)平臺(tái)進(jìn)行持續(xù)優(yōu)化，寧德時(shí)代的全新 AI 動(dòng)力電池缺陷檢測(cè)方案已能達(dá)到非常出色的應(yīng)用效果，并已在寧德時(shí)代落地應(yīng)用。接下來(lái)，寧德時(shí)代還將與英特爾進(jìn)一步合作，在動(dòng)力電池制造及銷(xiāo)售的各個(gè)環(huán)節(jié)中繼續(xù)引入更多 AI 技術(shù)，致力于繼續(xù)提升產(chǎn)能，嚴(yán)保產(chǎn)品質(zhì)量和提升企業(yè)運(yùn)行效率。

編輯：黃飛