智能制造技术可以为生产线带来什么

工业制造领域，瑕疵检测一直是生产过程中的重要一环。众所周知，工厂实际生产过程并不能保证生产出来的产品百分之百的完美，或者是产品是螺丝没有拧紧，或者是表面有细小的凹陷和划痕，或者是产品标签忘记粘贴……特别是在电子产品、汽车、航天航空等高科技产业中，如果因为一个不起眼的瑕疵导致安全事故的发生，轻则致使财产受到损失，重则甚至可以发生伤亡事故——无论如何，对于企业而言都是难以承受的伤痛。

为确保产品质量，以往工厂往往会耗费上千人力进行人工视觉检查，防止瑕疵产品流入市场。但在实际的工厂运营中，由于工厂自动化水平的提高，车间生产效率得到进一步提升，这样的环境下，“人-机”工作很难得到协调。同时，加之人工成本持续走高，而且工人由于自身熟练度、身体承受能力以及主观方面等存在的差异，导致检测准确性和效率也各有差异，可以说利用人工检测的传统手段收获效果甚微。

为满足市场需求，同时实现自身价值，越来越多的公司注意到数字化转型对于企业发展的重要性。在瑕疵检测领域，则表现为将物联网、人工智能等通用技术赋能给机器，从而代替工人操作，提升产品质量。

市场引导，技术先行

在信息与实业没有接轨的年代，各行业之间是平行发展的关系，跨行业的两个企业之间就像隔着一座山，两个不相关联的行业之间很难找到共同的结合点。

而物联网时代则不同，这是一个整合社会资源、融合创新的时代，又是一个强调细分市场，宣布主权的时代，“隔行如隔山”在今天已经成为了历史。肉眼可见之下，越来越多的科技企业出现在传统行业的供应商列表中，同时又各自发挥着热量。

基于此，英特尔识微见远，深入汽车轮胎制造业，发现微小瑕疵中所蕴含着巨大的市场。

在传统的轮胎制造过程中，培训检查员大约要花费 3 个月的时间，而检查工作最多占用他们 80% 的时间。即使经过充分的培训，人工检查通常也只能保持在90%到 95%的准确率。这种采用人工检测的方法显然费时费力。

而轮胎瑕疵检测恰恰又是一个极大的市场，仅中国的轮胎制造企业就有大约600多家，每年所生产的8亿轮胎中，“中国造”就占到了全球总生产量的三分之一……

面对这样巨大的工作量，人类显然已经很难再胜任，因此就需要物联网、AI、边缘计算、大数据等新兴技术为支持，来解决这一痛点。

从行业发展来看，机器视觉已经广泛应用于工业领域，其中以消费电子、汽车和半导体三大领域应用最为广泛。而随着配套基础设施的不断完善，制造业需求的增长以及智能化水平的提高，国内机器视觉市场正一步一步扩大。据保守统计，2017年我国机器视觉市场规模已经接近70亿元，2018年市场规模首次突破100亿元，而今年，市场规模将再次迎来增长，有望达到125亿元。

这无疑得益于机器视觉行业全产业链的迅猛发展和“智能玩家”的加入，从2011年到2018年的数年间，我国机器视觉行业市场规模从10.8亿元增长到了104亿元，年均复合增速达到约33%。国内市场中机器视觉企业数量在数年间已经达到200家以上。

而在行业检测中，机器视觉又能成功解决人类用眼检测不足的几大痛点：

●速度更快，视觉检测相比于传统的人工肉眼检测，借助AI分析能力，检测速度可实现秒级内响应;

●精度更高，与人类视觉相比，机器视觉对微小目标分辨力更高，甚至可以观测微米级的目标;

●增效降本，机器视觉检测不受人类客观条件限制，比如机器没有人类感情羁绊，这使质检过程中的稳定性得到较高的保障;其次机器视觉相比人类能做更多，有效降低人力成本和之间过程中产生的损失，提高盈利能力。

得益于市场需求、产业链的成熟以及通用技术能力的提升，英特尔和深视科技打开智慧的想象，另辟蹊径探索出一套针对轮胎制造业的机器视觉智能检测解决方案。聚焦于此方案，则表现在“云边协同”和人工智能的注入。

众所周知，机器视觉是人工智能应用最为广泛的领域，大量的用例都利用了高分辨率的摄像头，生成大量需要进行汇总和分析的数据，而面对急剧膨胀式的数据增长，人工智能就发挥了重要作用。

Gartner在此前公布的2020年十大战略科技趋势预测中显示，在2028年前，专用AI芯片以及更加强大的处理能力、存储和其他先进功能将被广泛应用于边缘设备中。而在智能制造的大背景下，以AI为基础能力的视觉检测无疑将大放异彩。

其次是边缘计算能力，《战略师的物联网指南》中提到，边缘到云行业支出预计到2021年将达到110亿美元。Gartner《2018年十大战略技术趋势：从云到边缘》报告从另一个角度预测到，到2022年，75%的企业所生成的数据将从云端或者集中式数据中心搬到边缘位置进行处理。

我们熟知，瑕疵检测是在微小中寻求更加安全高质量的生产，避免造成巨大的损失，而瑕疵检测中的现场数据就发挥了极大的作用，边缘计算的运用不仅保障了数据的“新鲜性”，避免数据价值断崖式跌落，同时还对生产过程产生的数据进行存储和上传云端，形成“云边互动”，通过对数据针对性的价值提炼，提供给企业更好的管理依据。

相互协作，赋能行业

当然，在工业制造复杂的生产过程中，其现场情况存在诸多可能，同样的场景可能会用到不同的方法，再厉害的技术还需要对接客户本身的需求，如此也为通用技术赋能行业带来了较大的压力。

就像金箍棒之于孙悟空，拥有了金箍棒的孙悟空才能尽撒才华，最大化发挥自身的价值。

而此时英特尔面向中国市场推出的专注于加速深度学习并将视觉数据转换为业务洞察的基于英特尔分布式OpenVINO？工具包就派上了用场，它是帮助企业在边缘侧快速实现高性能计算机视觉与深度学习的开发平台。如果说英特尔和深视科技是孙悟空，那么这套系统就是让孙悟空施展才华金箍棒。

简单而言，英特尔分布式OpenVINO？工具包是英特尔针对其处理器进行优化的计算机视觉和深度学习的推理工具，深视科技的Deep Inspect平台方案基于OpenVINO？工具包开发，不但可以解决质检过程中海量数据造成的工作负担，还可以运用强大的计算能力赋能硬件设备，让瑕疵无所遁形。归结起来具有以下三点优势：

首先是性能方面的提升。通过OpenVINO，可以方便地使用包括CPU、GPU、VPU、FPGA等在内的英特尔的硬件优势资源，硬件和软件的集成提高了性能。

其次，OpenVINO工具包支持异构执行。只需编写一次程序，便可以通过异构的接口运行在其他的硬件平台之上，大大缩减了用户的开发周期。

再次，在深度学习方面。OpenVINO带有模型优化器、推理引擎以及超过20个预先训练的模型，用户可快速的实现自己基于深度学习的应用从边缘到云端的畅快运行。并且，OpenVINO工具包是一个开放的工具，这就意味着英特尔给了用户更多的空间和想先去满足其自身的定制化需求。

当一个很小的缺陷会影响到整个制造商的生产效率和利润率时，一切细节都是至关重要的。从一组数据中就足以看得见基于英特尔技术的深视科技视觉检测解决方案能发挥多么重要的作用。

使用该解决方案后，在速度方面，相比传统的肉眼检测，现在平均每次检查时间可缩进1秒以内。在速度更快的同时，制造商每天还可以实时检查20000多个轮胎，准确率也能提升至99.9% 以上。不仅如此，速度和准确率的提高也使企业的净利润得到增长，并使每条生产线的人工成本降低了大约42000美元。

目前，AI和边缘计算等新兴技术正在蓬勃发展，但面向真实场景需求的应用却少之又少，而深视科技基于英特尔分布式OpenVINO工具包的Deep Inspect解决方案无疑为行业打开了新的想象，助力更多通用技术真实有效的赋能行业。同时，牢牢扎根于工业领域，深视科技也进行了更多实践，比如将Deep Inspect解决方案带进更多制造业领域，比如3C、光学薄膜行业、PCB制造业……