在制造商采用工业 4.0 原则之前，他们必须提高工人的技能。

这是一项不小的挑战。德勤 2018 年的一份报告显示，只有 47% 的组织认为他们在为工业 4.0 创造劳动力方面做得足够。同一份报告显示，组织希望培训现有员工而不是雇用新员工，因此，制造商必须找到实现工业 4.0 的路径，以最大限度地减少培训需求。

机器视觉需要特殊技能

机器视觉就是手头问题的一个典型例子。如图 1 所示，机器视觉系统涉及一系列复杂的硬件和软件，以及用于设置和监控系统的复杂技术。此类系统的关键要素包括：

• 训练 – 使用现有图像数据在高性能服务器环境中构建对象及其属性的模型。
• 推断 – 将经过训练的模型部署在工厂环境中的加固系统上，在那里模型可以评估新图像（例如，识别文本或检测缺陷）。
• 再训练 – 如果工厂环境发生变化，例如光学、照明或产品规格出现偏差，数据分布可能会发生变化。再训练过程将收集新图像，然后更新模型。

此过程中的每一步都需要专门的知识。例如，开发人员可能知道如何训练模型，但不了解工厂条件的变化。相反，操作人员可能是制造缺陷及其原因方面的专家，但缺乏编程技能。

实现机器视觉的简化方法

为了解决这一技能差距，Advantech 等公司正在创建端到端解决方案（图 1），以帮助程序员和操作人员找到一个折中的方法。最近，我们与机器视觉高级经理 Neil Chen 和机器视觉产品经理 Alex Liang 讨论了这种新方法。 

“我们了解简单性如何能够使我们的用户更轻松地完成这一过程，” Chen 说道，“这就是我们设计 EzBuilder 训练软件及其图形用户界面的原因，这样一来，没有任何编程技能的工作人员也可以在整个深度学习过程中快速构建和部署机器视觉应用 – 生成模型、处理标签或输入产品。” 图 2 说明了非程序员如何使用这一简单工具。

该公司简化深度学习过程的另一个方面是，将智能英特尔^® FPGA 技术驱动的摄像头和英特尔^® Distribution of OpenVINO^™ 工具包集成到解决方案中。

Laing 说：“OpenVINO 的一个好处是，可以编写一个程序，然后根据工作负载，在各种英特尔^® 硬件上运行。例如，相同的深度学习模型可以在不同的英特尔 CPU 上运行，如英特尔^® 至强^®、英特尔凌动^® 和英特尔^® 酷睿^™ 处理器，以及在使用相同软件上层的英特尔^® 深度学习推断加速器上。仅凭一个命令行差异，程序就可以设置为不同的目标。”

现实世界中的机器视觉

如图 3 所示，使工具和机器能够准确、快速地处理日常生产任务需要开发一个可以执行以下操作的机器视觉系统：

• 可靠地识别流程链中的各种对象
• 提高效率并降低工作流程的复杂性
• 自动化并加快生产

光学字符识别 (OCR) 可以准确、快速地识别和读取标签、材料、零件和成品上的字母数字文本。这对于确保整个制造和分销过程的可追溯性是必要的。

据 Chen 介绍，该系统必须克服与不同字体、语言、文本大小和颜色以及生产线上的失真相关的 OCR 挑战。Chen 说：“基于深度学习的 OCR 通过图像标记、训练和推断，以及简化流程并提高工厂车间的可靠性，提供了解决 OCR 挑战的新方法。再训练过程使得 OCR 系统更加准确和具有适应性。”

缺陷检查是机器视觉可以增强的另一项任务。“鉴于质量保证过程中功能的不可预测性，机器视觉系统必须足够敏锐，能够准确地检查是否存在缺陷，”Laing 说道。Chen 补充说：“如果系统不具备高水平的细化，自动光学检测 (AOI) 系统可能会遗漏缺陷，或者将完美制造的零件或产品标记为有缺陷。我们称之为漏判和误判。”

Advantech 解决方案中的深度学习技术可以改进 AOI 系统，通过训练、推断和再训练对其进行微调，以便针对各种缺陷准确地标记有缺陷的项目，同时避免错误。

Chen 和 Laing 都对机器视觉如何改进工件定位和引导发表了评论。“高速生产线、验证、机器人引导的拾取和放置以及其他任务都需要具备机器视觉功能的定位工具、定位器和模式发现器，”Laing 说。Chen 说：“这对于识别和确定零件的确切位置和方向来说，是必要的。这反过来也能用于定位用于检查或其他作业的工具。数据也可以输入到处理设备中。”

达成共识对于实现工业 4.0 来说至关重要

制造商正面临压力，要将现有设施转型为工业 4.0，在降低成本的同时提高生产率和效率。为了实现这一目标并在整个企业中营造和谐，必须让 IT、OT 和其他利益相关者了解各自需要克服的挑战。

那些评估机器视觉技术的人被建议寻找不需要广泛再培训或雇用就可以部署的解决方案。当然，企业也在寻找能够提供速度和可靠性并产生投资回报的解决方案。对于希望投资适应于未来的制造商来说，提供最大灵活性和功能的解决方案是其明智选择。