PDF《为智能制造增添“眼”和“脑”的能力》

同时, 如果系统的通用性不佳, 就会让它难以在不同产线上 普及使用. 因此, 许多传统制造企业都对机器视觉系统的应用持 观望态度. 在美的库卡机器视觉团队看来, 这一问题很大程度上是由非标准 的视觉应用场景所致. 检测环境与需求不同, 例如需要进行不同 角度的拍摄, 环境亮度和表面曲率差异等, 造成了几乎每一个项目 都需要定制方案(包括相机、 光源、 算法), 还要进行大量的测试 来验证其可行性. AI?与大数据技术的结合, 可以有效地应对这一问题. 现在, 美的库 卡机器视觉团队正与英特尔一起, 携手构建全新的、 基于?AI?技术 的工业视觉检测云平台, 如图一所示, 它将所有视觉检测终端设备 通过网络连接到云端, 在云端实现图像大数据的收集, 并将这些 数据在深度学习框架中予以训练, 从而获得通用化特征参数与模 型, 实现敏捷、 高性能的通用化缺陷检测能力. 图一 美的工业视觉检测云平台架构示意图 案例研究 | 为智能制造增添 眼 和 脑 的能力 基于云服务和 AI 的工业视觉检测系统 基于?AI?技术的美的工业视觉检测云平台, 主要由前后端两部分组 成, 其中工业机器人, 工业相机以及工控机等设备构成了图像采集 前端, 部署在工厂产线上;

云化部署的英特尔??架构服务器集群则 撑起了该云平台的后端系统. 图二 集成了工业相机、 用于执行缺陷检测的工业机器人 在前端, 如图二所示, 执行图像采集的机器人装有两个工业相机, 一个进行远距离拍摄, 用于检测有无和定位;

另一个进行近距离拍 摄, 用于 OCR 识别. 以微波炉检测为例, 当系统开始工作时, 通过 机器人与旋转台的联动, 先使用远距离相机拍摄微波炉待检测面 的全局图像, 并检测计算出需要进行?OCR?识别的位置, 再驱动近 距离相机进行局部拍摄. 相机采集到的不同图像, 会首先交由基 于英特尔? 酷睿? 处理器的工控机进行预处理, 根据检测需求确 定是否需要传输到云端, 如果需要, 则通过网络传送到后端云服 务器上. 在后端云服务器, 系统首先会利用英特尔? Analytics Zoo 提供的 SSD(Single Shot Multibox Detector)模型对预处理过的图像 进行识别, 提取出需要进行检测的标的物, 例如螺钉、 铭牌标贴或 型号等等. 而后, 英特尔? Analytics Zoo 提供的 AI 能力, 将帮助 云平台进行海量数据管理、 分布式模型训练、 模型重定义、 模型推 理等一系列 AI 处理流程. 通过英特尔? Analytics Zoo 中集成的 TensoFlow*、 BigDL* 等深度学习开发框架, 系统可以通过不断地 迭代分布式训练, 提升对检测物的识别率. 美的基于 AI 的工业视觉检测云平台 图像 推理结果 计算 大数据管理 大数据检测 AI 算法 项目评估

2 将深度学习的方法引入工业检测, 不仅可以让工业视觉检测云平 台快速、 敏捷、 自动地识别出待测产品的诸多缺陷, 例如螺钉漏 装、 铭牌漏贴、 LOGO?丝印缺陷等问题. 更重要的是, 该云平台能 够对非标准变化因素有良好的适应性, 即便检测内容和环境发生 变化, 云平台也能很快地予以适应, 省去了冗长的新特征识别、 验 证时间. 同时, 这一方案也能有效地提高检测的鲁棒性, 令识别率 高达 99.8%1 , 克服了传统视觉检测过于依赖图像质量的问题. 通过在美的生产线的部署, 工业视觉检测云平台获得了一线生产 者的高度认可. 美的微波炉工厂设备负责人表示: 首先, 新方案 的部署不需要机械定位, 占用空间也极小, 运行中也不会对产线 造成影响;