背景

工業檢查（用于產品缺陷檢測）是現代制造業的重要組成部分。隨著人工智能，計算機視覺和大數據技術的發展，我們可以建立先進的工業檢測系統以實現和人類水平媲美的準確性，并具有更高的效率和更低的成本。在本文中，我們將分享我們在美的/ KUKA，使用英特爾Analytics Zoo（一個基于Apache Spark、TensorFlow和BigDL的開源數據分析+ AI平臺），來建立基于深度學習的工業檢測平臺的經驗。

基于Analytics Zoo的端到端的解決方案

為了便于構建和生成大數據的深度學習應用程序，AnalyticsZoo（https://github.com/intel-analytics/analytics-zoo）提供了統一的數據分析+AI平臺，可將Spark，TensorFlow和BigDL程序無縫集成到一個統一的數據分析流水線中；然后，整個流水線可以透明地擴展到（運行在標準的Intel至強服務器上的）Hadoop/Spark集群，以進行分布式訓練或推理。

如上圖所示，美的 / KUKA的工業檢測平臺是一個建立在Analytics Zoo之上的端到端數據分析流水線，包括

（1）使用Spark以分布式方式處理從制造流水線獲取的大量圖像。

（2）使用Tensorflow Object Detection API直接構建對象檢測（例如，SSDLite + MobileNet V2）模型

（3）直接使用在第一步中預處理的圖像RDD，以分布式方式在Spark集群上訓練（或微調）對象檢測模型。

（4）直接使用評估圖像集的RDD，以分布式方式在Spark集群上評估（或推斷）訓練模型。

（5）使用Analytics-Zoo中POJO模式的API, 將整個Pipeline 部署在低延遲的、在線Web 服務中。

在檢測時間期間，具有相機的工業機器人可以自動拍攝產品的照片，并通過HTTP將圖像發送到網絡服務以檢測各種缺陷（例如，缺失標簽或螺栓等），如下所示。

Spark，TensorFlow和BigDL的統一集成

如前所述，Analytics Zoo提供了“集成數據分析”的深度學習編程模型，因此用戶可以輕松開發端到端的數據分析+ AI 流水線（使用Spark，TensorFlow，Keras等），然后透明地運行在大型Hadoop / Spark集群上、使用BigDL和Spark進行分布式訓練和推理。此外，用戶還可以輕松部署端到端的流水線，以實現低延遲的在線服務（使用Analytics Zoo提供的POJO風格的模型服務API）。

例如，為了以分布式方式處理缺陷檢測流水線的訓練數據，我們可以使用PySpark將原始圖像數據讀取到RDD中，然后應用一些變換來解碼圖像，并提取邊界框和類標簽，如下所示。

<<<

train_rdd = sc.parallelize(examples_list)

.map(lambda x: read_image_and_label(x))

.map(lambda image: decode_to_ndarrays(image))

<<<

返回的RDD（train_rdd）中的每條記錄都包含一個NumPy ndarray的列表（即圖像，邊界框，類和檢測到的框的數量），它可以直接用于創建TensorFlow模型，并在Analytics Zoo上進行分布式訓練。我們可以通過創建TFDataset （如下所示）來實現這一功能。

<<<

dataset = TFDataset.from_rdd(train_rdd,

names=["images", "bbox", "classes", "num_detections"],

shapes=[[300, 300, 3],[None, 4], [None], [1)]],

types=[tf.float32, tf.float32, tf.int32, tf.int32],

batch_size=BATCH_SIZE,

hard_code_batch_size=True)

<<<

在Analytics Zoo中，TFDataset表示一個分布式存儲的記錄集合，其中每條記錄包含一個或多個Tensorflow Tensor對象。然后我們可以直接將這些Tensor作為輸入構建Tensorflow模型。例如，我們使用

了Tensorflow Object Detection API構建了SSDLite + MobileNet V2模型（如下圖所示）：

<<<

# using tensorflow object detection api to construct model

# https://github.com/tensorflow/models/tree/master/research/object_detection

from object_detection.builders import model_builder

images, bbox, classes, num_detections = dataset.tensors

detection_model = model_builder.build(model_config, is_training=True)

resized_images, true_image_shapes = detection_model.preprocess(images)

detection_model.provide_groundtruth(bbox, classes)

prediction_dict = detection_model.predict(resized_images, true_image_shapes)

losses = detection_model.loss(prediction_dict, true_image_shapes)

total_loss = tf.add_n(losses.values())

>>>>

在模型構建之后，我們首先加載預先訓練的Tensoflow模型，然后使用Analytics Zoo中的TFOptimizer（如下所示）對模型進行微調訓練；最終我們在驗證數據集上達到0.97 mAP@0.5。

>>>>

with tf.Session() as sess:

init_from_checkpoint(sess, CHECKPOINT_PATH)

optimizer = TFOptimizer(total_loss, RMSprop(LR), sess)

optimizer.optimize(end_trigger=MaxEpoch(20))

save_to_new_checkpoint(sess, NEW_CHEKCPOINT_PATH)

>>>>

在運行過程中，Analytics-Zoo使用PySpark從磁盤中讀取了輸入數據并進行預處理，并構造了一個Tensorflow Tensor的RDD。然后，基于BigDL和Spark 對Tensorflow 模型進行分布式訓練（如BigDL技術報告所述）。無需修改代碼或手動配置， 整個訓練流程就可以自動從單個節點擴展到基于Intel至強服務器的大型Hadoop / Spark集群。

模型訓練結束后，我們還可以基于與訓練流程類似的流水線，使用PySpark，TensorFlow和BigDL在Analytics Zoo上執行大規模的分布式評估/推斷。

低延遲的在線服務

如下所示，我們也可以使用Analytics Zoo提供的POJO風格的模型服務API輕松部署推理流水線，以實現低延遲的在線服務（例如，Web服務，Apache Storm，Apache Flink等等）。有關詳細信息，請參閱 https://analytics-zoo.github.io/master/#ProgrammingGuide/inference/

<<<

AbstractInferenceModel model = new AbstractInferenceModel(){};

model.loadTF(modelPath, 0, 0, false);

List<List<JTensor>> output = model.predict(inputs);

<<<

結論

Midea / KUKA通過結合人工智能，計算機視覺和大數據技術，在Analytics Zoo（https://github.com/intel-analytics/analytics-zoo）上成功構建了先進的工業檢測系統。它使用了工業機器人，相機和英特爾至強服務器等工具對產品的缺陷進行自動檢測。尤其是Analytics Zoo提供統一的數據分析 + AI平臺，可將Spark，BigDL和TensorFlow程序無縫集成到一個數據分析流水線中，從而可以輕松構建和生產化部署基于大數據的深度學習應用程序（包括分布式訓練和推理，以及低延遲在線服務）。您可以參考Github上的示例了解更多詳細信息。