自18世纪60年代以来的三次工业革命已经深刻地改变了工业生产的方式。雷峰网(公众号：雷峰网)
而随着近年来人工智能、大数据等技术的兴起，智能制造正在工业制造领域掀起新风暴。
根据麦肯锡的统计，2025年智能制造将为全球带来1.2万亿至3.7万亿美元的价值。
巨大的前景使所有的厂商都在不遗余力地向智能制造狂奔。
正如解决方案供应商Elliance首席执行官Cheng Boon Seng的评价：“朝向智能化发展已经不再是一种选择，而是成为了企业的必经之路。”
在传统企业向智能制造转型的过程中，还面临着诸多挑战。如何将机器视觉带入生产流程，如何利用边缘计算和人工智能最大限度发挥机器视觉的作用，更快速，更有效的向智能制造转型，已经成为了传统企业共同的问题。
实现智能制造，「眼睛」很关键
智能制造实际上是由许多子技术结合而成的一个庞大概念。提供图像数据并进行处理的机器视觉系统、在边缘和云端提供算力的云边计算架构、让设备具备“学习能力”的人工智能，都是智能制造的重要组成部分。
它们之间的关系相辅相成：人工智能为一个机器视觉系统的搭建提供了底层技术，云边计算为承担了大量数据负载的人工智能提供了算力保障。
而机器视觉则是整个智能制造的“眼睛”，为人工智能提供视觉数据。
由于精确、高效的特性，机器视觉在多个行业已经被广泛应用。
机器视觉常常被应用在超越人类视觉极限的质量检测中：如在3C电子制造中，部分产品的瑕疵尺寸指标已经小于10μm以下，超过了人类的分辨极限，而机器视觉技术则能够检测出人工不能察觉的瑕疵。在高速印刷中，部分产品检测的精度要求也已经超出人眼识别极限，现有的人工检测流程已经无法满足要求，必须采用高速、高精度的机器视觉方案。
并且机器视觉也能够大大提高工业生产的效率。例如在汽车生产中的质检、装配等流程中，机器视觉能够帮助工厂提高检测和装配的效率，有效提升大部分系统和组件的性能。无论是精度还是效率，对企业实现智能制造来说都至关重要。
这使得企业纷纷开始探索如何应用机器视觉提升自身的竞争力。
但传统企业要想真正发挥好机器视觉的力量，走向智能化，仍要面对重重挑战。
传统制造引进机器视觉，还要过两关
对于传统的制造企业来说，机器视觉是他们此前未曾接触过的新事物。要将机器视觉应用于生产中，没有太多的过往经验可以借鉴。
对希望利用机器视觉来获得效率提升的企业来说，在他们面前，仍有两项挑战：一是如何将机器视觉和自己的需求结合，设计机器视觉的应用场景；二则是如何开发机器视觉方案，完成自身需求。
而英特尔在机器视觉领域有着丰富的经验。许多传统制造企业为了将机器视觉加入生产流程，选择与英特尔合作。
英特尔不仅能够为企业提供可靠的软硬件平台，而且还能够提出完整可行的方案，帮助企业将机器视觉带入生产中。
英特尔与著名车企奥迪的合作就是一个例子。
在车辆生产中，焊缝的检测是一个关键步骤。在实际生产中，奥迪在这一步采用了抽样检测、人工检测的方法。
在奥迪的内卡苏尔姆工厂，每天奥迪会随机选中产线上一辆车作为检测对象，由18位手拿写字板的工程师在一个房间里使用超声波探头测试焊接点并记录每个点的质量。
这么做的缺陷显而易见，奥迪的内卡苏尔姆工厂的生产线上900个带有焊枪的机器人，他们每天制造1000辆汽车，形成超过500万个焊缝。
而由于劳动力有限，每天进行的抽样检测只能随机选择其中的一辆车为样本，这无法真实反映所有车辆的焊缝质量情况。抽样检测的结果对于未被抽样的车辆的焊接质量也并无肯定的说服力。
这导致在人工方案下，焊缝检测的可信度不够且成本很高。
奥迪的工程师们知道这一流程中存在的问题，但找不到更好的方案。
英特尔的机器视觉方案则让奥迪看到了新的可能性。奥迪采用了英特尔的机器视觉技术，并重新设计了生产流程。
该方案从焊枪控制器获取数据，用人工智能模型预测焊接操作时的电压和电流曲线等数据，并与实际曲线对比，在边缘处理后反馈给模型，指示焊枪的下一步行动以提升焊接质量。
图 英特尔与奥迪合作开发的解决方案
这套方案的效率相较人工方案大幅提升：现在奥迪不再需要抽样检测，而是可以在一天内完成对所有焊缝的检测，这解决了此前人工方案中检测不全面的问题。同时，人力成本也随之下降了30%-50%。
这套方案还具有更多扩展性：模型中不仅包括了电流和电压数据，还包含了焊缝配置、金属类型和焊条健康状况等数据，不仅可以用来检测焊缝质量，还可以应用到车间的更多流程的优化中。
在英特尔的帮助下，机器视觉顺利的在奥迪得到了应用。但对企业来讲，只是将机器视觉引入到生产中还不够，辅以边缘计算带来的更高效的算力和符合生产实际的人工智能模型，才能够真正发挥机器视觉的作用。
AI与边缘计算造就智能制造「完全体」
在实际生产中，机器视觉、人工智能、边缘计算三者密不可分。
如果说机器视觉是智能制造的“眼睛”，那么边缘计算和人工智能就是它背后的“视神经”。
如果在引入机器视觉的同时不能很好的利用边缘计算和人工智能，就无法运用好机器视觉，甚至有可能适得其反。
一家位于天津，全球领先的洗衣机工厂很早就启动了在工业视觉检测领域的探索和研究。
但由于该工厂生产规模大，数据量大，实际操作中经常出现反馈超时问题导致检测失败，使工人不得不执行人工复核程序的情况，反而造成了效率降低，甚至引起积压。
这种情况并不鲜见，在家电行业的工厂转型过程中类似现象时有发生。当企业兴奋的将机器视觉加入生产环节后，却发现效率并没有如预期一样提升。
这是因为以往的视觉检测方案依赖公有云/私有云部署AI检测模型的方式，这样经常会导致网络堵塞。
传统的“云-端”架构中，核心算力远离产生海量数据的终端或边缘，无法让智能化方案真正发挥实力。
要想解决传统“云-端”架构中网络阻塞的问题，引入边缘计算是个好选择。
边缘计算能够让边缘产生的数据在边缘“就近处理”，而不必全部上传至云端。将“云-端”架构升级为“云-端-网-边”架构。这能够增加数据处理的效率，减轻云端的负载，从而解决网络阻塞的问题。
而英特尔同样也是边缘计算领域的专家。
英特尔基于对边缘的理解和探索，提出了英特尔边缘计算系列产品框架。硬件上，英特尔提供了至强、酷睿等处理器平台，软件上，英特尔则提供了英特尔工业边缘洞见平台（EII）和OpenVINO工具套件。横跨软硬件的生态让英特尔能够为企业提供可行、可靠的解决方案。
比如在刚刚提到的洗衣机工厂例子中，该工厂之后选择部署了中国电信和英特尔深度合作打造的5G MEC边缘云平台的洗衣机面板视觉检测方案。
图 面向洗衣机面板检测场景的中国电信 5G MEC 边缘云平台
洗衣机制造商在应用了这套方案后，生产效率提高了20%，解决了过去因人工检测效率不高而造成的积压问题，检测准确率也从80%上升至95%。新方案部署后，检测工人也从旧方案的六人缩减至两人，人力成本减少了三分之二，且这两人只需要负责监督设备的正常运行，工作强度大大降低。
而作为机器视觉的“大脑”，人工智能模型的准确性则将直接影响机器视觉的效果。
人工智能要落地生产，还需要考虑到生产环境中各种影响因素和成本问题。
比如包装行业中的喷码识别系统，人工智能要考虑生产环境中光线、振动等因素对识别结果的影响和样本获取、系统调试等问题给生产带来的效益问题。
图 包装行业中喷码识别的场景
如果人工智能模型不能准确的结合生产实际，那么机器视觉系统得到的结论往往会出现偏差，甚至导致生产效率降低。
面对这种复杂的情况，如何开发适用于实际生产的人工智能模型对于传统企业来说是一个大麻烦。
为了解决企业痛点，英特尔与生产企业合作为机器视觉配套开发人工智能方案。
比如为了解决包装行业面临的环境噪声多、样本需求量大、调试复杂等问题，英特尔开发了一套基于深度学习的字符识别解决方案。
对于传统视觉方案中因噪声干扰无法判断的问题，该方案的准确率高达99%，推理时间仅为10-20ms，且只需要少量样本就可以完成模型训练。
英特尔领先的技术和完整的产品解决方案让企业能够更轻松的获得人工智能资源，使得企业在生产中应用机器视觉的门槛得以降低。
在这个科技日新月异的时代里，企业向智能化转型已经成为了必然路径。英特尔正在利用自身多年搭建的软硬件生态，为企业带来先进可靠的解决方案，以机器视觉为突破口，拥抱智能化的未来。为了让更多人了解机器视觉带来的创新与改变，英特尔已在官网上线了《机器视觉特刊 2022》,欲了解更多机器视觉相关内容，请前往英特尔官网查看。
正在生成分享图...
nebula