助力用戶選擇更優模型和架構，推動 AI機器視覺落地智能製造
智能製造的全新 「視界」
由互聯網大潮掀起的技術進步，推動着智能製造成為傳統製造行業面向未來、尋求突破的關鍵路徑。通過融合機械人、大數據、雲計算、物聯網以及 AI 等多種技術，智能製造憑藉更高效、環保和敏捷的特點，成為製造業轉型的全新模式。
這其中，自動化系統、機械人等技術幫助智能製造解決了傳動和控制問題，而融合了計算機視覺和 AI 技術的機器視覺，則為智能製造帶去了明睿的 「慧眼」 ，在產品檢測、條碼辨識、外觀測量等多個領域都能為製造業帶來效率提升。
如圖 2-1-1 所示，機器視覺系統的基本架構，是通過工業相機等圖像採集裝置，將目標轉換成圖像信號，再通過網絡設備傳送到後端處理系統。系統根據目標形態、像素分佈、亮度、顏色等信息，抽取目標特徵，最終得到判別結果，並利用工控機（工業機械人、機械臂、傳動軸等）來控制相關設備。
在一些典型的機器視覺應用場景中，例如紡織工廠，可以使用這一方法進行紡織品的瑕疵自動化檢測。由於紡織機械運行速度非常高，流水線速度可達數米每秒，漏針、破洞、錯針等瑕疵往往在毫米以下，依靠人工識別的方法難以保證檢測質量。通過引入機器視覺，紡織產線不僅可以準確地記錄缺陷發生的時間與位置，還能與生產控制系統相關聯，根據檢測情況執行啟停。
與傳統人工方法相比，機器視覺在精確、客觀程度、可重複性、成本以及效率上都有明顯的優勢，特別是在高速運行的流水線作業中，採用機器視覺的輔助檢測方法，可以大幅提升工廠的生產效率和自動化程度。因此，越來越多的企業正開始在產線中引入機器視覺系統，一項數據表明，至 2020 年，全球機器視覺市場總額將至 269 億美元 3。
傳統機器視覺亟待與 AI 更深度融合
利用工業化視覺系統來提升自動化生產效能並非新生事物， 早在上個世紀就有很多企業開始了這方面的探索與部署。但傳統的機器視覺方案存在許多不足和局限，主要體現在以下幾個方面：
- 成本昂貴，使用門檻高：傳統的機器視覺方案，往往是由大型生產設備供應商負責開發部署，其算法和軟件都以緊耦合方式固化在工業相機等類特定硬件上。一旦檢測精度或檢測品類需要調整，就需要聯繫原設備廠商進行升級或改動，而複雜的生產環境帶來的大量非標準化特徵識別需求，會導致方案調整周期長、成本高；同時，更換設備也會迫使整個生產線停機重啟。
- 靈活性差：傳統機器視覺方案往往都基於固定識別模式開發，靈活性較差，導致在部署檢測系統時，需要對相關產線進行調整，且對檢測對象的位置、尺寸及擺放方向都有嚴格要求，被檢測對象的任何偏離也都會造成檢測結果的不可信。同時，由於傳統機器視覺方案與硬件緊密耦合， 在部署時，需要機械部件配合定位，會佔用很大的產線空間， 對位置、環境以及溫濕度等也都有更高要求，因此很難做到全產線、全流程化部署。
- 開放性兼容性差：傳統機器視覺方案一般都採用軟硬一體緊耦合的模式，方案商同時也是設備商。因此，難以在同一套設備上集成多種機器視覺方案，即便工廠對設備實施二次開發，也要付出極高的成本。如果更換設備供應商，那麼品控水平還可能會發生差異。
為應對這些問題，近年來，越來越多的企業都嘗試將深度學習、機器學習等 AI 方法引入傳統的機器視覺方案，並取得了良好的效果。
首先，在成本方面，以深度學習框架為基礎的 AI 機器視覺方案是一個完全開放的平台，其核心是開源的深度學習框架和通用的計算設備（例如基於英特爾® 架構的服務器），企業完全可以用開放平台來訓練基於自己產線的圖像數據，生成滿足自身要求的檢測算法和應用。當應用需求發生變化後，企業也無需依賴外部資源，可自行在新的數據集上進行模型和算法的迭代優化。同時，完全解耦的軟硬件架構也使升級和應用整合變得更容易。具有橫向和線性擴展能力的英特爾® 架構平台，配合開源深度學習框架，可彈性滿足用戶多樣化的部署和整合需求，無需重新開發和調整算法。
其次，在靈活性方面，深度學習是完全基於大數據的 AI 數據分析和處理方法。它不需要預設任何模式或框架，只需大量的樣本數據和適當的標定，即可實現自學習和生成推理模型。因此，通過深度學習框架，企業可以徹底擺脫設備供應商的束縛，自主採集數據，形成自己的機器視覺應用標準和規範。由此形成的方案源於企業的實際應用需求，獨立於設備供應商之外，即便更換設備也不會影響品控。
