周華 鄭榮 肖榮

摘 ?要：文章闡述了制造型企業(yè)在工業(yè)4.0時(shí)期所面臨的智能化挑戰(zhàn)，以產(chǎn)品質(zhì)量檢驗(yàn)環(huán)節(jié)為切入點(diǎn)，詳細(xì)分析了工業(yè)場(chǎng)景下智能化質(zhì)檢場(chǎng)景涉及的關(guān)鍵技術(shù)，并提出了基于云邊協(xié)同的智能質(zhì)檢平臺(tái)架構(gòu)。該平臺(tái)架構(gòu)結(jié)合云端算法訓(xùn)練能力和MEC邊緣計(jì)算推理能力，面向工業(yè)質(zhì)檢場(chǎng)景，能夠快速實(shí)現(xiàn)AI推理能力的邊緣化部署，推動(dòng)了工業(yè)智能化場(chǎng)景的廣泛應(yīng)用。

關(guān)鍵詞：計(jì)算機(jī)視覺(jué);機(jī)器學(xué)習(xí);深度神經(jīng)網(wǎng)絡(luò);工業(yè)質(zhì)檢;MEC;容器化

中圖分類號(hào)：TP391.4 ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：2096-4706（2022）05-0149-04

Research on Key Technology and Platform Architecture of AI Quality Inspection under Industrial Scene

ZHOU Hua， ZHENG Rong， XIAO Rong

（Shanghai Ideal Information Industry （Group） Co.， Ltd.， Shanghai ?201315， China）

Abstract： This paper expounds the intelligent challenges faced by manufacturing enterprises in the period of industry 4.0. It takes the product quality inspection link as the pointcut， analyzes the key technologies of intelligent quality inspection scene in the industrial scene in detail， and proposes an intelligent quality inspection platform architecture based on cloud edge collaboration.The platform architecture combines the cloud algorithm training ability and MEC edge computing and reasoning ability. It can quickly realize the edge deployment of AI reasoning ability in the face of industrial quality inspection scene， and promote the wide application of industrial intelligent scenes.

Keywords： Computer Vision; Machine Learning; Deep Neural Network; industrial quality inspection; MEC; container

0 ?引 ?言

工業(yè)4.0是以智能制造為主導(dǎo)的第四次工業(yè)革命，目標(biāo)是工業(yè)制造過(guò)程中各個(gè)環(huán)節(jié)盡可能通過(guò)智能系統(tǒng)自動(dòng)化進(jìn)行，通過(guò)智能技術(shù)將工業(yè)生產(chǎn)運(yùn)作效率提高到一個(gè)新的高度。從國(guó)家層面來(lái)說(shuō)，《中國(guó)制造2025》是國(guó)家戰(zhàn)略，“十四五”規(guī)劃綱要也明確提出了要推動(dòng)我國(guó)制造行業(yè)的數(shù)字化改造，通過(guò)建設(shè)智能制造示范工廠，完善智能制造的標(biāo)準(zhǔn)體系，加快數(shù)字化發(fā)展，加強(qiáng)關(guān)鍵數(shù)字技術(shù)創(chuàng)新應(yīng)用。從企業(yè)角度來(lái)講，智能化也是提升企業(yè)效率、強(qiáng)化產(chǎn)品質(zhì)量的有效途徑。但是，隨著制造企業(yè)產(chǎn)線的生產(chǎn)自動(dòng)化程度越來(lái)越高，對(duì)產(chǎn)品質(zhì)量以及生產(chǎn)效率的要求也越來(lái)越嚴(yán)格，傳統(tǒng)人工和相對(duì)簡(jiǎn)單的質(zhì)量檢測(cè)手段已不能夠滿足企業(yè)對(duì)產(chǎn)品質(zhì)量控制的需要。不過(guò)令人振奮的是，隨著計(jì)算機(jī)技術(shù)和基礎(chǔ)理論的發(fā)展，基于計(jì)算機(jī)視覺(jué)[1]的智能質(zhì)量檢測(cè)技術(shù)也得到了迅猛發(fā)展。尤其是機(jī)器學(xué)習(xí)/深度學(xué)習(xí)技術(shù)的跨越式發(fā)展，令以前大部分人眼難以直接量化的特征問(wèn)題，都得到了很好的技術(shù)解決方案。特別是在圖像分類、目標(biāo)檢測(cè)這些問(wèn)題上，深度學(xué)習(xí)技術(shù)取得了非常顯著的效果。

1 ?智能質(zhì)檢關(guān)鍵技術(shù)

1.1 ?卷積神經(jīng)網(wǎng)絡(luò)技術(shù)

深度神經(jīng)網(wǎng)絡(luò)[2]是機(jī)器學(xué)習(xí)（Machine Learning， ML）領(lǐng)域中一種技術(shù)，2006年，“深度學(xué)習(xí)三巨頭”之一的Hinton教授提出了在非監(jiān)督數(shù)據(jù)上建立多層神經(jīng)網(wǎng)絡(luò)的方法，證明了深度神經(jīng)網(wǎng)絡(luò)擁有強(qiáng)大的特征提取能力，從此進(jìn)入了深度學(xué)習(xí)時(shí)代。當(dāng)前最流行的神經(jīng)網(wǎng)絡(luò)是深度卷積神經(jīng)網(wǎng)絡(luò)（Deep Convolutional Neural Networks， CNNs）。因?yàn)闇?zhǔn)確率和泛化能力等原因，目前提到的卷積神經(jīng)網(wǎng)絡(luò)，一般都指深層結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)，根據(jù)網(wǎng)絡(luò)設(shè)計(jì)，層數(shù)通常在數(shù)十上百層左右。CNNs可以自動(dòng)從大規(guī)模數(shù)據(jù)中自動(dòng)學(xué)習(xí)特征，并具備很強(qiáng)的泛化能力，因此在很多技術(shù)研究領(lǐng)域都取得了很好的應(yīng)用效果，例如：語(yǔ)音識(shí)別、自然語(yǔ)言處理（NLP）以及包括圖像識(shí)別、圖像分割在內(nèi)的計(jì)算機(jī)視覺(jué)領(lǐng)域。

通常一個(gè)深度卷積網(wǎng)絡(luò)會(huì)由多個(gè)卷積層、池化層以及全連接層組成，如圖1所示。卷積層與池化層相互配合可組成卷積組，用于逐層提取原始圖像數(shù)據(jù)的特征（Feature）。最后，深度卷積網(wǎng)絡(luò)會(huì)通過(guò)一個(gè)或多個(gè)全連接層完成原始數(shù)據(jù)的分類?？梢哉f(shuō)卷積層主要對(duì)輸入圖片數(shù)據(jù)進(jìn)行特征提取，而池化層，主要是為了降低數(shù)據(jù)維度。卷積神經(jīng)網(wǎng)絡(luò)具有局部感知和參數(shù)共享兩個(gè)特點(diǎn)，降低了網(wǎng)絡(luò)模型的復(fù)雜度，減少了權(quán)值的數(shù)量，可以有效地從大量樣本中學(xué)習(xí)到相應(yīng)地特征，避免了復(fù)雜的特征提取過(guò)程。

卷積網(wǎng)絡(luò)在本質(zhì)上是對(duì)Input數(shù)據(jù)到Output的映射，在此過(guò)程中神經(jīng)網(wǎng)絡(luò)通過(guò)前向傳播、后向傳播及梯度下降等方式，學(xué)習(xí)大量Input數(shù)據(jù)與Output之間的映射關(guān)系，用已知的模式對(duì)卷積神經(jīng)網(wǎng)絡(luò)加以訓(xùn)練，網(wǎng)絡(luò)就具有輸入數(shù)據(jù)和輸出數(shù)據(jù)之間的映射能力。

圖1 ?深度卷積網(wǎng)絡(luò)

從最早的LeNet5，到確立深度學(xué)習(xí)在計(jì)算機(jī)視覺(jué)的統(tǒng)治地位的AlexNet，以及后來(lái)發(fā)揚(yáng)光大的VGG、GoogleNet、ResNets等模型，這些重大的技術(shù)突破都是基于深度卷積神經(jīng)網(wǎng)絡(luò)。CNNs及衍生出來(lái)的網(wǎng)絡(luò)模型直接將圖像數(shù)據(jù)作為輸入，不僅無(wú)須人工對(duì)圖像進(jìn)行耗時(shí)耗力的特征抽取等復(fù)雜操作，而且以強(qiáng)大的特征提取能力，使得對(duì)圖像的識(shí)別結(jié)果在某些方面甚至超過(guò)人類水平。

1.2 ?MEC邊緣計(jì)算技術(shù)

隨著物聯(lián)網(wǎng)系統(tǒng)及工業(yè)智能制造的發(fā)展，邊緣計(jì)算等相關(guān)技術(shù)也開(kāi)始發(fā)揮出越來(lái)越重要作用?，F(xiàn)階段國(guó)家政策背景下，大量制造型企業(yè)對(duì)高質(zhì)量發(fā)展的需求不斷增加，對(duì)業(yè)務(wù)及時(shí)性和數(shù)據(jù)隱私等要求力度進(jìn)一步升級(jí)，呈現(xiàn)出智能化、柔性化和精細(xì)化的發(fā)展趨勢(shì)，因此邊緣計(jì)算（MEC）技術(shù)得到了大量推進(jìn)與應(yīng)用。

在工業(yè)制造領(lǐng)域，邊緣計(jì)算處于物理實(shí)體和工業(yè)連接之間，或處于物理實(shí)體的頂端，是在設(shè)備及數(shù)據(jù)生產(chǎn)源側(cè)，部署融合基礎(chǔ)設(shè)施（算力、存儲(chǔ)、網(wǎng)絡(luò)）及智能應(yīng)用能力的分布式架構(gòu)體系，從而形成全新的業(yè)務(wù)模式，就近提供邊緣算力及智能化的服務(wù)，滿足制造型企業(yè)在對(duì)業(yè)務(wù)實(shí)時(shí)性、數(shù)據(jù)安全性、業(yè)務(wù)隱私性以及應(yīng)用智能化等方面的關(guān)鍵性需求，從數(shù)據(jù)采集歸集、知識(shí)模型化、管理柔性化以及端到端的產(chǎn)業(yè)協(xié)作等方面來(lái)推動(dòng)制造行業(yè)的數(shù)字化發(fā)展。

邊緣計(jì)算在制造業(yè)中的物理架構(gòu)實(shí)現(xiàn)形式主要以邊緣網(wǎng)關(guān)、邊緣云為主，企業(yè)可根據(jù)自身需求選擇相應(yīng)的架構(gòu)。邊緣網(wǎng)關(guān)及邊緣云基于云原生的云邊協(xié)同架構(gòu)，采用容器、虛擬化等基礎(chǔ)設(shè)施管理技術(shù)，構(gòu)建邊緣數(shù)據(jù)采集分發(fā)集成平臺(tái)/網(wǎng)關(guān)，主要實(shí)現(xiàn)邊緣測(cè)的設(shè)備數(shù)據(jù)采集，人員、設(shè)備、物料、環(huán)境、業(yè)務(wù)管理等數(shù)據(jù)的統(tǒng)一接入、集中存儲(chǔ)以及智能分析處理等功能。

此外，隨著邊緣計(jì)算在制造型企業(yè)中的廣泛應(yīng)用，云端計(jì)算與邊緣計(jì)算的協(xié)同效應(yīng)也在快速增強(qiáng)，云邊協(xié)同成為制造業(yè)數(shù)字化改造的主要手段。這主要是由于一方面邊緣計(jì)算在工業(yè)產(chǎn)線上作用巨大，可以實(shí)現(xiàn)業(yè)務(wù)數(shù)據(jù)本地處理及生產(chǎn)現(xiàn)場(chǎng)的實(shí)時(shí)控制反饋;另一方面，企業(yè)也需要云端平臺(tái)的能力，聚焦于長(zhǎng)周期、大數(shù)據(jù)的處理。

1.3 ?微服務(wù)容器化部署技術(shù)

隨著微服務(wù)架構(gòu)的出現(xiàn)，業(yè)界很多平臺(tái)架構(gòu)都從單體服務(wù)轉(zhuǎn)變成微服務(wù)化，尤其是一些架構(gòu)復(fù)雜，業(yè)務(wù)比較廣泛的項(xiàng)目，微服務(wù)化是大勢(shì)所趨，可以解決獨(dú)立構(gòu)建、更新、運(yùn)維等一系列問(wèn)題，從而解放生產(chǎn)力，促進(jìn)交付效率和質(zhì)量。容器化[3]技術(shù)也是微服務(wù)架構(gòu)中不可或缺的關(guān)鍵技術(shù)之一。在工業(yè)場(chǎng)景下，由于各種條件限制導(dǎo)致本地環(huán)境和云上環(huán)境存在較大差異，通過(guò)云端直接部署到本地的應(yīng)用需要各種修改配置和參數(shù)來(lái)做兼容，導(dǎo)致無(wú)法快速本地發(fā)布。面對(duì)此類問(wèn)題，容器化部署是個(gè)很好的解決方案。

容器（container）是指隔離開(kāi)的一系列進(jìn)程，由鏡像提供支持進(jìn)程所需的全部文件。容器提供的鏡像包含了應(yīng)用的所有依賴項(xiàng)，因而在從開(kāi)發(fā)到測(cè)試再到生產(chǎn)的整個(gè)過(guò)程中，它都具有可移植性和一致性。虛擬化使得多個(gè)操作系統(tǒng)可同時(shí)運(yùn)行在單個(gè)系統(tǒng)上，而容器則可共享同一個(gè)操作系統(tǒng)的內(nèi)核，將應(yīng)用程序與系統(tǒng)其他部分隔離開(kāi)，容器化的最大優(yōu)勢(shì)在于對(duì)于相同的硬件占用空間更小，可以比虛擬機(jī)運(yùn)行更多的實(shí)例，如圖2所示。

圖2 ?虛擬化和容器

容器提供了一個(gè)打包和運(yùn)行應(yīng)用的隔離環(huán)境，其隔離和安全特性允許你在一個(gè)主機(jī)同時(shí)運(yùn)行多個(gè)容器。容器化技術(shù)以其獨(dú)特的優(yōu)勢(shì)，被廣泛應(yīng)用應(yīng)用的自動(dòng)化打包和發(fā)布、自動(dòng)化測(cè)試和持續(xù)集成、發(fā)布以及構(gòu)建PaaS平臺(tái)環(huán)境。

采用容器化部署的優(yōu)勢(shì)有：

（1）輕量化，系統(tǒng)開(kāi)銷?。号cKVM之類的虛擬化方案相比，能夠更加快速和占用更少資源;

（2）安全隔離與高利用率：有較好的資源隔離限制能力，確保應(yīng)用安全;容器服務(wù)與底層共享操作系統(tǒng)，資源利用率高;

（3）快速部署：無(wú)須重新啟動(dòng)操作系統(tǒng)，秒級(jí)實(shí)現(xiàn)開(kāi)啟/關(guān)閉;

（4）運(yùn)行環(huán)境標(biāo)準(zhǔn)化：基于容器鏡像實(shí)現(xiàn)環(huán)境一致性和標(biāo)準(zhǔn)化。

2 ?工業(yè)智能質(zhì)檢能力平臺(tái)架構(gòu)

工業(yè)智能質(zhì)檢能力平臺(tái)總體架構(gòu)如圖3所示，總體分為應(yīng)用前臺(tái)、運(yùn)營(yíng)中臺(tái)、數(shù)據(jù)后臺(tái)和能力網(wǎng)關(guān)。應(yīng)用前臺(tái)主要面向工業(yè)領(lǐng)域客戶提供具體的應(yīng)用服務(wù)，主要包括企業(yè)生產(chǎn)流程中涉及安全生產(chǎn)、工業(yè)質(zhì)檢、日常巡檢等各類場(chǎng)景的機(jī)器視覺(jué)智能算法應(yīng)用服務(wù)，一定程度上實(shí)現(xiàn)通用場(chǎng)景能力的跨行業(yè)橫向復(fù)制;運(yùn)營(yíng)中臺(tái)負(fù)責(zé)平臺(tái)的運(yùn)營(yíng)、運(yùn)維管理，主要包括配置服務(wù)門戶、日常監(jiān)控管理、算法管理、調(diào)度管理等功能;數(shù)據(jù)后臺(tái)負(fù)責(zé)客戶數(shù)據(jù)接入、AI算法生產(chǎn)、模型發(fā)布、容器管理及模型適配等功能;能力網(wǎng)關(guān)主要負(fù)責(zé)平臺(tái)AI檢測(cè)能力的開(kāi)放和邊緣側(cè)平臺(tái)及工業(yè)網(wǎng)關(guān)設(shè)備的對(duì)接。平臺(tái)核心的功能界面如圖4和圖5所示。

此外，為了實(shí)現(xiàn)工業(yè)場(chǎng)景下的快速發(fā)布與部署，平臺(tái)可采用5G MEC[4]或邊緣智能終端實(shí)現(xiàn)云邊協(xié)同，5G MEC和工業(yè)網(wǎng)關(guān)用于提供邊緣測(cè)的算力。通過(guò)云邊協(xié)同實(shí)現(xiàn)工業(yè)視覺(jué)應(yīng)用與5G網(wǎng)絡(luò)緊密融合，利用5G高帶寬、低時(shí)延、大連接的特性，便于快速賦能產(chǎn)線業(yè)務(wù)，同時(shí)也滿足移動(dòng)化智能應(yīng)用場(chǎng)景需求。通過(guò)5G MEC能力，一方面可實(shí)現(xiàn)工業(yè)視覺(jué)平臺(tái)AI能力的快速邊緣化部署，為工業(yè)產(chǎn)線提供各種不同的產(chǎn)線AI質(zhì)檢能力;另一方面可實(shí)現(xiàn)產(chǎn)線推理結(jié)果的數(shù)據(jù)反饋，用于AI檢測(cè)模型的優(yōu)化提升，進(jìn)一步形成線上與線下的正向循環(huán)[5，6]。

3 ?結(jié) ?論

工業(yè)質(zhì)檢是每個(gè)制造型企業(yè)提升生產(chǎn)效率及產(chǎn)品質(zhì)量必須關(guān)注的環(huán)節(jié)，盡管目前工業(yè)場(chǎng)景下很多質(zhì)檢環(huán)節(jié)受制于基礎(chǔ)設(shè)施等條件，尚無(wú)法實(shí)現(xiàn)完全智能化、自動(dòng)化，但隨著算力芯片技術(shù)高速發(fā)展、智能算法的逐步優(yōu)化以及基礎(chǔ)網(wǎng)絡(luò)設(shè)施的完善，智能質(zhì)檢是大勢(shì)所趨，智能質(zhì)檢平臺(tái)會(huì)有更大的普適性。最后，隨著國(guó)家“十四五”規(guī)劃對(duì)制造業(yè)技術(shù)智能化的要求以及中國(guó)制造2025戰(zhàn)略的持續(xù)推進(jìn)，必將推動(dòng)整個(gè)工業(yè)智能化的整體進(jìn)程高速發(fā)展。

參考文獻(xiàn)：

[1] 李東.計(jì)算機(jī)視覺(jué)技術(shù)在工業(yè)領(lǐng)域中的應(yīng)用 [J].電子技術(shù)與軟件工程，2017（16）：147.

[2] 趙永強(qiáng)，饒?jiān)?，董世鵬，等.深度學(xué)習(xí)目標(biāo)檢測(cè)方法綜述 [J].中國(guó)圖象圖形學(xué)報(bào)，2020，25（4）：629-654.

[3] 彭勇，謝劍，童遙，等.一種基于Docker的數(shù)據(jù)中心云平臺(tái)實(shí)現(xiàn)方法及系統(tǒng) [J].中興通訊技術(shù)，2017，23（2）：60-62.

[4] 孔令義.“5G+MEC”為智能制造賦能的部署應(yīng)用 [J].電信科學(xué)，2019，35（10）：137-145

[5] 呂華章，張忠皓，李福昌，等.5G MEC邊緣云組網(wǎng)研究與業(yè)務(wù)使能 [J].郵電設(shè)計(jì)技術(shù)，2019（8）：20-25.

[6] 李杰，李響，許元銘，等.工業(yè)人工智能及應(yīng)用研究現(xiàn)狀及展望 [J].自動(dòng)化學(xué)報(bào)，2020，46（10）：2031-2044.

作者簡(jiǎn)介：周華（1979—），女，漢族，江蘇無(wú)錫人，中級(jí)工程師，本科，研究方向：AI能力、工業(yè)智能化場(chǎng)景、大數(shù)據(jù)挖掘與分析;鄭榮（1981—），男，漢族，江蘇無(wú)錫人，高級(jí)工程師，碩士，研究方向：AI能力、工業(yè)智能化場(chǎng)景、大數(shù)據(jù)挖掘與分析;肖榮（1975—），男，畬族，江西贛州人，教授級(jí)工程師，博士，研究方向：AI能力、工業(yè)智能化場(chǎng)景、大數(shù)據(jù)挖掘與分析。