Intel制造行業(yè)AI案例分享:美的工業(yè)視覺檢測云平臺
[項目背景]
作為白色家電行業(yè)領(lǐng)軍企業(yè),美的集團希望通過完整、可復(fù)制的產(chǎn)品缺陷檢測方案,來完善其智能制造產(chǎn)業(yè)鏈中的關(guān)鍵環(huán)節(jié)。
由工業(yè)相機、工控機以及機器人組成的傳統(tǒng)視覺方案存在諸多問題,例如定制化方案開發(fā)周期長、成本高,檢測內(nèi)容多樣化造成參數(shù)標(biāo)定繁瑣、工人使用困難,占用產(chǎn)線空間大,對工藝流程有影響。
典型的機器視覺系統(tǒng)架構(gòu)
美的希望通過新的技術(shù)方法來優(yōu)化和升級檢測方案,打造以下能力:
? 對單個檢測項目形成通用的推理算法,并可推廣至不同產(chǎn)線;
? 可在任何產(chǎn)線上做到無縫部署,不干擾現(xiàn)有生產(chǎn)和工藝流程;
? 在無人工干預(yù)情況下做到高魯棒性,并在全天候高頻次下,保證準(zhǔn)確率
和延遲的穩(wěn)定;
? 整個檢測過程在 100 毫秒以內(nèi)完成,識別率達到 98% 以上。
來自生產(chǎn)一線的海量數(shù)據(jù)資源,讓美的具備了利用 AI 技術(shù),特別是深度學(xué)習(xí)方法,來解決上述問題的基礎(chǔ),并通過與英特爾展開深入的技術(shù)合作,提升了算法和算力。如圖所示,美的通過前端高清圖像采集、后端訓(xùn)練推理的架構(gòu),構(gòu)建了基于深度學(xué)習(xí)的工業(yè)視覺檢測云平臺,為旗下各產(chǎn)線提供瑕疵檢測、工件標(biāo)定、圖像定位等一系列輔助檢測能力。
在這一過程中,英特爾不僅為新方案提供了 Analytics Zoo大數(shù)據(jù)分析和 AI 平臺,來構(gòu)建從前端數(shù)據(jù)預(yù)處理到模型訓(xùn)練、推理,再到數(shù)據(jù)預(yù)測、特征提取的全流程,還針對美的各生產(chǎn)線的實際檢測需求,為新方案選擇了輕銳的 SSDLite + MobileNetV2 算法模型并實施優(yōu)化,令新方案進一步提升了效果。
美的預(yù)設(shè)的機器視覺檢測云平臺架構(gòu)
【解決方案】
一、基于 Analytics Zoo 的端到端解決方案
如前所述,美的設(shè)計的機器視覺檢測云平臺架構(gòu)主要由前、后端兩部分組成,由工業(yè)相機、工控機等設(shè)備構(gòu)成圖像采集前端,部署在工廠產(chǎn)線上,經(jīng)云化部署的英特爾 架構(gòu)服務(wù)器集群則組成云平臺的后端系統(tǒng)。
在前端,執(zhí)行圖像采集的機器人通常裝有多個工業(yè)相機,或進行遠距離拍攝,用于檢測有無和定位;或進行近距離拍攝,用于光學(xué)字符識別(Optical Character Recognition,OCR)。
以微波爐劃痕檢測為例,如圖 2-1-6 所示,當(dāng)系統(tǒng)開始工作時,通過機器人與旋轉(zhuǎn)臺的聯(lián)動,先使用遠距離相機拍攝微波爐待檢測面的全局圖像,并檢測計算出需要進行 OCR 識別的位置,再驅(qū)動近距離相機進行局部拍攝。相機采集到的不同圖像,先由搭載英特爾酷睿 處理器的工控機進行預(yù)處理,根據(jù)檢測需求確定需要傳輸?shù)皆贫撕?,再將?shù)據(jù)傳送到后端云服務(wù)器,實施深度學(xué)習(xí)訓(xùn)練和推理。
基于Analytics Zoo 的美的新方案流程
通過雙方的緊密合作,英特爾幫助美的在其新方案后端的云服務(wù)器中,基于 AnalyticsZoo 構(gòu)建了端到端數(shù)據(jù)分析流水線方案。整個方案流程如圖所示,包括以下幾個主要步驟:
1.通過 Spark,方案以分布式方式處理來自各產(chǎn)線工業(yè)相機 獲 取 的 大 量 視 頻 和 圖 像。其 中,Analytics Zoo 使 用PySpark 從磁盤中讀取視頻或圖像數(shù)據(jù)并進行預(yù)處理,構(gòu)造 出 TensorFlowTensor 的 彈 性 分 布 式 數(shù) 據(jù) 集(ResilientDistributed DataSet,RDD)。整個訓(xùn)練流程可以自動從單個節(jié)點擴展到基于英特爾 架構(gòu)服務(wù)器的大型 Hadoop / Spark集群,無需修改代碼或手動配置。
2.使用 TensorFlow 目標(biāo)檢測 API 接口,直接構(gòu)建對象檢測模型,例如,可以采用輕量級的 SSDLite +MobileNet V2 模型。
3.直接使用在第一步中預(yù)處理的圖像RDD,以分布式方式在Spark 集群上訓(xùn)練(或微調(diào))對象檢測模型。例如,為了以分布式方式處理缺陷檢測流水線的訓(xùn)練數(shù)據(jù),方案使用 PySpark
將原始圖像數(shù)據(jù)讀取到 RDD 中,然后應(yīng)用一些變換來解碼圖像,并提取邊界框和類標(biāo)簽。
4.訓(xùn)練結(jié)束后,可以基于與訓(xùn)練流程類似的流水線,直接使用RDD 評估圖像數(shù)據(jù)集,使用 PySpark、TensorFlow 和 BigDL在Analytics Zoo 上,以分布式方式在 Spark 集群上執(zhí)行大規(guī)模模型評估(或推理)。
5.使用 Analytics Zoo中 POJO 模式的 API, 將整個 Pipeline輕松地部署于在線 Web 服務(wù)中,以實現(xiàn)低延遲的在線服務(wù)(例如,Web 服 務(wù)、Apache Storm、Apache Flink 等)。
通過這樣的方法,新方案可以對預(yù)處理過的圖像進行識別,提取出需要進行檢測的標(biāo)的物,例如螺釘、銘牌標(biāo)貼或型號等,并通過不斷地迭代分布式訓(xùn)練提高對檢測物的識別率。最后,系統(tǒng)會將識別結(jié)果傳遞給機械臂等自動化設(shè)備來執(zhí)行下一步動作。
值得一提的是,英特爾 至強 可擴展處理器為新方案提供了另一項關(guān)鍵要素:計算力。部署在該云平臺中的英特爾 至強可擴展處理器得到了充分的性能優(yōu)化,其英特爾 高級矢量擴展 512(IntelAdvanced Vector Extensions 512,英特爾 AVX-512)等技術(shù)得以大展拳腳,以出色的并行計算能力,滿足了該云平臺在模型訓(xùn)練和模型推理時對算力的嚴(yán)苛需求。
二、基于英特爾 架構(gòu)優(yōu)化的目標(biāo)檢測算法模型
如前文所述,提升基于機器視覺的工業(yè)輔助檢測系統(tǒng)的工作效能,關(guān)鍵在于為其選擇高效、適宜的目標(biāo)檢測。美的的新方案選擇了更適于實時目標(biāo)檢測的SSDLite + MobileNet V2模型。
利用 Analytics Zoo,新方案使用 TFDataset 來表示一個分布式存儲的記錄集合,每條記錄包含一個或多個TensorFlowTensor 對 象。這 些 Tensor 被 直 接 用 作 輸 入, 來構(gòu) 建TensorFlow 模型。
[方案價值]
1.將深度學(xué)習(xí)的方法引入工業(yè)輔助檢測領(lǐng)域,不僅讓美的工業(yè)視覺檢測云平臺可以快速、敏捷、自動地識別出待測產(chǎn)品可能存在的問題,例如螺釘漏裝、銘牌漏貼、LOGO 絲印缺陷等。
2.更重要的是,該云平臺能夠良好適應(yīng)非標(biāo)準(zhǔn)變化因素,即便檢測內(nèi)容和環(huán)境發(fā)生變化,云平臺也能很快適應(yīng),省去了冗長的新特征識別、驗證時間。
3.同時,這一方案也能有效地提高檢測的魯棒性,克服了傳統(tǒng)視覺檢測過于依賴圖像質(zhì)量的問題。新方案在美的產(chǎn)線中實際部署后,達到了很好的應(yīng)用效果。從已有 9 條產(chǎn)線的實際部署測試數(shù)據(jù)來看,該方案對現(xiàn)有產(chǎn)線的影響幾乎為零。
4.由 Analytics Zoo 提供統(tǒng)一的數(shù)據(jù)分析+ AI 平臺,大幅降低了方案進行分布式訓(xùn)練和推理以及提供低延遲在線服務(wù)所耗費的人力物力成本。
5.相比傳統(tǒng)的工業(yè)視覺方案,如圖所示,項目部署周期縮短了 57%,物料成本減少 30%,人工成本減少 70%。
歸一化的美的工業(yè)視覺檢測云平臺方案成效對比
6.同時,經(jīng)英特爾優(yōu)化的SSDLite + MobileNet V2 目標(biāo)檢測算法模型也有效提升了方案的執(zhí)行效率和準(zhǔn)確率。來自一線的數(shù)據(jù)表明,方案對諸多缺陷的識別率達到了 99.98%,推理預(yù)測時間從原先的 2 秒縮減到現(xiàn)在的 124 毫秒。
責(zé)任編輯:xj
原文標(biāo)題:Intel制造行業(yè)AI案例分享:美的工業(yè)視覺檢測云平臺
文章出處:【微信公眾號:新機器視覺】歡迎添加關(guān)注!文章轉(zhuǎn)載請注明出處。
-
intel
+關(guān)注
關(guān)注
19文章
3483瀏覽量
186211 -
AI
+關(guān)注
關(guān)注
87文章
31315瀏覽量
269659 -
美的
+關(guān)注
關(guān)注
13文章
468瀏覽量
37646 -
視覺檢測
+關(guān)注
關(guān)注
2文章
379瀏覽量
19342
原文標(biāo)題:Intel制造行業(yè)AI案例分享:美的工業(yè)視覺檢測云平臺
文章出處:【微信號:vision263com,微信公眾號:新機器視覺】歡迎添加關(guān)注!文章轉(zhuǎn)載請注明出處。
發(fā)布評論請先 登錄
相關(guān)推薦
評論