工业

从头开始开发支持工业化人工智能的应用程序是一个巨大的挑战。但通过使用类似配方的方法可以让开发过程变得更加容易。这种方法是什么？它包括含有 IT 和 OT 硬件的组件列表、将它们集成的软件以及一系列预构建算法。此外还提供了指导，例如如何利用云服务和工具，甚至包括如何进行自动配置和部署。就像一个绝佳的配方一样，这种方法让您可以通过替代组件来自定义应用程序。

智能工厂视觉质量检测应用程序就非常适合使用这种方法。这是因为无论制造何种产品，该解决方案都能在异常情况出现之前就将其识别出来。它通过将生产线上不同点的情况与数据库进行对比来实现这一点。

这使系统能够自动检测出在制造过程中的何时何地开始出现不符合规格的产品，从而可以在质量下降之前进行纠正。

设计一个视觉质量检测解决方案

通过类似配方的方法可为开发人员带来许多优势。首先，通过使用公式，帮助他们建立信心来开发针对各种制造行业的全面视觉质量项目。

这需要将生产线上的各种 KPI 与对它们进行检测的传感器相匹配。传感器可能包括用于计算机视觉的视频或静态照相机，以及检测振动、温度和其他数据的仪器。然后，开发人员应用机器学习算法来感知生产线上即将出现的问题。

这样的解决方案可以使通过检测的零件或货物继续前进，而那些不合格的零件或货物则在出厂前重新进行加工。这有助于减少材料报废（图 1）。

Hitachi 的子公司 Hitachi Vantara​​​ 支持开发人员构建 IIoT 解决方案，其产品经理 Fabio Terasaka 表示：“实时收集和处理数据需要复杂的分析模型来实现自动化质量控制。”

Terasaka 介绍了两个不同部门如何部署不同的视觉质量检测解决方案。他解释说：“食品和饮料制造商可以自动进行气味检测，以确定其原料是否新鲜或者临近保质期。”“而离散制造商可以自动跟踪零件或标签来进行视觉校准。如果位置略有变化，可能需要重新对机器进行校准。”

为了帮助开发人员构建检查解决方案，Hitachi Vantara 解决方案让他们能够使用熟悉的工具，例如 Google Cloud 机器学习平台中的各种元素。这包括用于数据提取的 IoT Core，用于机器学习、推理训练和数据处理的 AutoML，以及用于存储和可视化以及其他服务的 Web 服务器。

Terasaka 表示：“我们已经与 Google 开展了一些战略合作项目，他们的工程师提供了人工智能和机器学习方面的专业知识，以补充我们客户内部的 SME。”

为了简化开发，该配方要求使用英特尔^® 网关和摄像头，使人工智能应用程序能够在英特尔^® NUC 或其他设备处理边缘图像数据。它还支持 TensorFlow 和 Linux 操作系统，方便用户使用。

开发人员也可以根据应用需求选择软件和算法。例如，与运行在专有工业协议上的工业资产进行连接。这需要网关将专有格式转换为更常见的格式，例如 MQTT 或 AMQP。

人工智能技术、性能和全面性

当速度不可避免时，事物的发生速度会超过人眼察觉速度的极限。在高吞吐量过程中，视觉质量检测可以每两秒捕获并分析近 100 张图像。可能还需要识别微米级的瑕疵。这就要求自动化和高分辨率，以及低延迟的计算机视觉。

为了说明这一点，Terasaka 以一家每小时生产 1,400 个活塞的公司为例，该公司需要在多个点进行连续检测：“当问题出现时，自动化是检测出问题并采取纠正措施的唯一方法，可以避免大量的废品和返工。”

根据使用案例来看，LiDAR（光探测和测距）是对全面视觉检测解决方案的一项有价值的补充。该技术可以记录工人在工厂的具体位置。Terasaka 说：“它可以测量机器操作员的动作与产品质量之间的相关性，并有助于保证安全性。”

LiDAR 还可以用于提示操作员是否有零件掉落、将其从地板上捡起、放回生产线中或放置在箱子中以待重新检测。

监测机器运行状况是解决方案的另一个优势。例如，通过减慢流程速度，工厂不仅可以增加优质产品的产量并减少浪费，而且可以避免因维修设备而关闭生产线。

将其他数据流应用于这些解决方案可提供更多优势。例如，ERP 界面可能有助于回答以下问题：

• 特定供应商提供的材料或零件是否会持续出现质量问题？
• 废料达到何种程度将阻止或推迟客户订单的交付？
• 是否可以根据废料和废品重新评估维护计划？

智能工厂发展的增长

Hitachi 自身的制造经验决定了它将如何建议开发商采用其类似配方的方法。Terasaka 说：“它帮助我们将 IT 和 OT 领域的人才以及英特尔^® 等合作伙伴聚集在一起，以建立有效的质量解决方案。”

Terasaka 还补充道：“通过将机器学习技术商品化，我们的最终客户可以直接启动并运行视觉质量测量应用程序，而无需从头开始构建。”“更好的一点是，这种方法可以帮助开发人员为几乎所有行业构建这类使用案例。”