工業(yè) 4.0 范式鼓勵制造業(yè)使用機器學習、人工智能、云計算和工業(yè)物聯(lián)網(wǎng) （IIoT） 技術來改善工業(yè)流程、產(chǎn)品質(zhì)量，并降低成本和上市時間。

機器學習算法充當OEM的智能決策支持系統(tǒng)，適用于各種制造應用，例如：

預測性維護

提高產(chǎn)品質(zhì)量控制

機器異常檢測

生產(chǎn)線監(jiān)控

供應鏈管理等

智能工廠和倉庫通過連接設備和分布式基礎設施不斷收集和共享海量數(shù)據(jù)。使用復雜的機器學習算法分析大量數(shù)據(jù)需要大量的計算能力。現(xiàn)有的本地和集中式云基礎設施有能力，但它們在延遲、巨大的帶寬消耗、安全相關問題等方面有自己的局限性。一些智能工業(yè)應用需要低延遲才能實時訪問數(shù)據(jù)。為了減少延遲和帶寬使用，邊緣機器學習是解決方案。

大局：智能工廠邊緣的機器學習

邊緣機器學習是一種使用機器學習或深度學習算法在設備級別或網(wǎng)絡“邊緣”的本地基礎設施進行數(shù)據(jù)處理的技術，從而減少對云網(wǎng)絡的依賴。邊緣計算允許在邊緣上運行計算密集型機器學習算法。這有助于生成更多的實時分析，因此，現(xiàn)在可以為各個行業(yè)提供各種類型的應用程序。

在大多數(shù)情況下，機器學習模型是在Tensorflow，Keras，Caffe等框架中編程的。使用這些框架，編程模型在高端平臺（如計算機系統(tǒng)（PC或筆記本電腦））或云平臺（如Microsoft Azure，Google Cloud，Amazon AWS等）上進行訓練。模型經(jīng)過訓練后，將其保存并部署在云平臺或更相關的嵌入式平臺上，用于實時推理（預測），例如基于恩智浦IMX8M的設備。

AI/ML，尤其是邊緣ML，已成為推動工業(yè)4.0發(fā)展的重要技術。它對于提高智能工廠中的產(chǎn)品質(zhì)量起著非常重要的作用。

機器學習模型在各種制造操作中的應用

表面檢查：對于電子制造，表面檢查包括焊點檢查、完整性檢查、連接器引腳檢查、外觀外殼檢查等。

紋理檢查：在不同類型的物體中，它們的質(zhì)量反映在其表面紋理上。因此，基于視覺的紋理檢測在決定物體質(zhì)量方面起著重要作用。在膠合板制造中，木材是原材料。木材中結(jié)的存在會削弱木材并增加斷裂的可能性。這種弱點取決于它的大小、位置、數(shù)量和狀況。使用基于深度學習的視覺模型，可以檢測、計數(shù)木材中結(jié)的存在，并測量其大小。

缺陷檢測：有許多基于視覺的算法可用于檢測產(chǎn)品中的缺陷的例子。例如，在制藥中，基于視覺的模型可以幫助檢測各種缺陷，即顏色偏差、膠囊中的凹痕或孔洞、不規(guī)則形狀或損壞的邊緣或藥丸的裂縫等。它可以識別生產(chǎn)線中的異物。

隨著半導體技術的進步，可以在邊緣平臺上部署這些計算量大的算法。通過在各種SoC中集成圖形處理單元，數(shù)字信號處理，神經(jīng)處理單元，可以在低功耗，低成本平臺上實現(xiàn)實時性能。

如何確保智能工廠的制成品質(zhì)量？

在保持智能工廠制造的產(chǎn)品質(zhì)量方面起著非常重要作用的一些關鍵因素是：

機器的一致運行

為了保證制造產(chǎn)品的質(zhì)量始終如一，重要的是所有機器都以最佳狀態(tài)運行，同時實現(xiàn)最高的效率和最短的停機時間。基于機器學習的預測性維護使用各種技術（如異常檢測）來及早識別機器故障并及時維護。監(jiān)控各種物理參數(shù)，即振動、噪音、溫度、電力消耗等，并根據(jù)其異常行為進行維護預測。

對于制造商來說，預測性維護是游戲規(guī)則的改變者。它可以幫助他們?yōu)橹悄苤圃熳龀鰯?shù)據(jù)驅(qū)動的決策。在各種低成本、低功耗MCU的幫助下，可以以非常經(jīng)濟高效的方式將其部署在工廠中。傳感器為各種物理屬性生成大量數(shù)據(jù)，將所有這些原始數(shù)據(jù)發(fā)送到云用于ML用例是不切實際的。利用邊緣設備的處理能力非常重要。

過程中質(zhì)量控制

在傳統(tǒng)的制造過程中，目視檢查和質(zhì)量控制相關活動由人工負責。人工檢查產(chǎn)品質(zhì)量可能不準確。這會導致產(chǎn)品缺陷、不合規(guī)和收入損失。為了克服這個問題，基于視覺的深度學習模型被用于智能工廠。

基于視覺的深度學習模型的分類如下所述：

圖像分類：識別圖像中物體的存在，即木材、藥物、水果/蔬菜等。

對象定位：在這里，除了識別對象外，還確定一個邊界框以定位對象在圖像中的確切位置。

語義分割：這是指將圖像的每個像素鏈接到特定的類標簽。

實例分段：它與語義分割非常相似，但它處理同一類的多個對象。

機器學習模型有望改變制造業(yè)，使用圖像分類來監(jiān)控裝配線上的機器磨損，對在制品和成品進行質(zhì)量檢查。

審核編輯：郭婷