助力用户选择更优模型和架构，推动 AI机器视觉落地智能制造
智能制造的全新 “视界”
由互联网大潮掀起的技术进步，推动着智能制造成为传统制造行业面向未来、寻求突破的关键路径。通过融合机器人、大数据、云计算、物联网以及 AI 等多种技术，智能制造凭借更高效、环保和敏捷的特点，成为制造业转型的全新模式。
这其中，自动化系统、机器人等技术帮助智能制造解决了传动和控制问题，而融合了计算机视觉和 AI 技术的机器视觉，则为智能制造带去了明睿的 “慧眼” ，在产品检测、条码辨识、外观测量等多个领域都能为制造业带来效率提升。
如图 2-1-1 所示，机器视觉系统的基本架构，是通过工业相机等图像采集装置，将目标转换成图像信号，再通过网络设备传送到后端处理系统。系统根据目标形态、像素分布、亮度、颜色等信息，抽取目标特征，最终得到判别结果，并利用工控机（工业机器人、机械臂、传动轴等）来控制相关设备。
在一些典型的机器视觉应用场景中，例如纺织工厂，可以使用这一方法进行纺织品的瑕疵自动化检测。由于纺织机械运行速度非常高，流水线速度可达数米每秒，漏针、破洞、错针等瑕疵往往在毫米以下，依靠人工识别的方法难以保证检测质量。通过引入机器视觉，纺织产线不仅可以准确地记录缺陷发生的时间与位置，还能与生产控制系统相关联，根据检测情况执行启停。
与传统人工方法相比，机器视觉在精确、客观程度、可重复性、成本以及效率上都有明显的优势，特别是在高速运行的流水线作业中，采用机器视觉的辅助检测方法，可以大幅提升工厂的生产效率和自动化程度。因此，越来越多的企业正开始在产线中引入机器视觉系统，一项数据表明，至 2020 年，全球机器视觉市场总额将至 269 亿美元 3。
传统机器视觉亟待与 AI 更深度融合
利用工业化视觉系统来提升自动化生产效能并非新生事物， 早在上个世纪就有很多企业开始了这方面的探索与部署。但传统的机器视觉方案存在许多不足和局限，主要体现在以下几个方面：
- 成本昂贵，使用门槛高：传统的机器视觉方案，往往是由大型生产设备供应商负责开发部署，其算法和软件都以紧耦合方式固化在工业相机等类特定硬件上。一旦检测精度或检测品类需要调整，就需要联系原设备厂商进行升级或改动，而复杂的生产环境带来的大量非标准化特征识别需求，会导致方案调整周期长、成本高；同时，更换设备也会迫使整个生产线停机重启。
- 灵活性差：传统机器视觉方案往往都基于固定识别模式开发，灵活性较差，导致在部署检测系统时，需要对相关产线进行调整，且对检测对象的位置、尺寸及摆放方向都有严格要求，被检测对象的任何偏离也都会造成检测结果的不可信。同时，由于传统机器视觉方案与硬件紧密耦合， 在部署时，需要机械部件配合定位，会占用很大的产线空间， 对位置、环境以及温湿度等也都有更高要求，因此很难做到全产线、全流程化部署。
- 开放性兼容性差：传统机器视觉方案一般都采用软硬一体紧耦合的模式，方案商同时也是设备商。因此，难以在同一套设备上集成多种机器视觉方案，即便工厂对设备实施二次开发，也要付出极高的成本。如果更换设备供应商，那么品控水平还可能会发生差异。
为应对这些问题，近年来，越来越多的企业都尝试将深度学习、机器学习等 AI 方法引入传统的机器视觉方案，并取得了良好的效果。
首先，在成本方面，以深度学习框架为基础的 AI 机器视觉方案是一个完全开放的平台，其核心是开源的深度学习框架和通用的计算设备（例如基于英特尔® 架构的服务器），企业完全可以用开放平台来训练基于自己产线的图像数据，生成满足自身要求的检测算法和应用。当应用需求发生变化后，企业也无需依赖外部资源，可自行在新的数据集上进行模型和算法的迭代优化。同时，完全解耦的软硬件架构也使升级和应用整合变得更容易。具有横向和线性扩展能力的英特尔® 架构平台，配合开源深度学习框架，可弹性满足用户多样化的部署和整合需求，无需重新开发和调整算法。
其次，在灵活性方面，深度学习是完全基于大数据的 AI 数据分析和处理方法。它不需要预设任何模式或框架，只需大量的样本数据和适当的标定，即可实现自学习和生成推理模型。因此，通过深度学习框架，企业可以彻底摆脱设备供应商的束缚，自主采集数据，形成自己的机器视觉应用标准和规范。由此形成的方案源于企业的实际应用需求，独立于设备供应商之外，即便更换设备也不会影响品控。
