原标題：這項智能制造技術，竟能為每條産線省下42000美元！
一個不起眼的瑕疵有多麼可怕？我們常說，“千裡之堤，潰于蟻穴”，并非聳人聽聞之言。在高速公路事故統計中，70%的事故由輪胎引起，且在高速行駛下的生還率非常低。而在生産力大幅提升的當下，像這樣的産品僅靠人工檢測是很難做到的，這就需要運用物聯網、人工智能等技術。
工業制造領域，瑕疵檢測一直是生産過程中的重要一環。衆所周知，工廠實際生産過程并不能保證生産出來的産品百分之百的完美，或者是産品是螺絲沒有擰緊，或者是表面有細小的凹陷和劃痕，或者是産品标簽忘記粘貼……特别是在電子産品、汽車、航天航空等高科技産業中，如果因為一個不起眼的瑕疵導緻安全事故的發生，輕則緻使财産受到損失，重則甚至可以發生傷亡事故——無論如何，對于企業而言都是難以承受的傷痛。
為確定産品品質，以往工廠往往會耗費上千人力進行人工視覺檢查，防止瑕疵産品流入市場。但在實際的工廠營運中，由于工廠自動化水準的提高，工廠中的房間生産效率得到進一步提升，這樣的環境下，“人-機”工作很難得到協調。同時，加之人工成本持續走高，而且勞工由于自身熟練度、身體承受能力以及主觀方面等存在的差異，導緻檢測準确性和效率也各有差異，可以說利用人工檢測的傳統手段收獲效果甚微。
為滿足市場需求，同時實作自身價值，越來越多的公司注意到數字化轉型對于企業發展的重要性。在瑕疵檢測領域，則表現為将物聯網、人工智能等通用技術賦能給機器，進而代替勞工操作，提升産品品質。
市場引導，技術先行
在資訊與實業沒有接軌的年代，各行業之間是平行發展的關系，跨行業的兩個企業之間就像隔着一座山，兩個不相關聯的行業之間很難找到共同的結合點。
而物聯網時代則不同，這是一個整合社會資源、融合創新的時代，又是一個強調細分市場，宣布主權的時代，“隔行如隔山”在今天已經成為了曆史。肉眼可見之下，越來越多的科技企業出現在傳統行業的供應商清單中，同時又各自發揮着熱量。
基于此，英特爾識微見遠，深入汽車輪胎制造業，發現微小瑕疵中所蘊含着巨大的市場。
在傳統的輪胎制造過程中，教育訓練檢查員大約要花費 3 個月的時間，而檢查工作最多占用他們 80% 的時間。即使經過充分的教育訓練，人工檢查通常也隻能保持在90%到 95%的準确率。這種采用人工檢測的方法顯然費時費力。
而輪胎瑕疵檢測恰恰又是一個極大的市場，僅中國的輪胎制造企業就有大約600多家，每年所生産的8億輪胎中，“中國造”就占到了全球總生産量的三分之一……
面對這樣巨大的工作量，人類顯然已經很難再勝任，是以就需要物聯網、AI、邊緣計算、大資料等新興技術為支援，來解決這一痛點。
從行業發展來看，機器視覺已經廣泛應用于工業領域，其中以消費電子、汽車和半導體三大領域應用最為廣泛。而随着配套基礎設施的不斷完善，制造業需求的增長以及智能化水準的提高，國内機器視覺市場正一步一步擴大。據保守統計，2017年我國機器視覺市場規模已經接近70億元，2018年市場規模首次突破100億元，而今年，市場規模将再次迎來增長，有望達到125億元。
這無疑得益于機器視覺行業全産業鍊的迅猛發展和“智能玩家”的加入，從2011年到2018年的數年間，我國機器視覺行業市場規模從10.8億元增長到了104億元，年均複合增速達到約33%。國内市場中機器視覺企業數量在數年間已經達到200家以上。
而在行業檢測中，機器視覺又能成功解決人類用眼檢測不足的幾大痛點：
●速度更快，視覺檢測相比于傳統的人工肉眼檢測，借助AI分析能力，檢測速度可實作秒級内響應；
●精度更高，與人類視覺相比，機器視覺對微小目标分辨力更高，甚至可以觀測微米級的目标；
●增效降本，機器視覺檢測不受人類客觀條件限制，比如機器沒有人類感情羁絆，這使質檢過程中的穩定性得到較高的保障；其次機器視覺相比人類能做更多，有效降低人力成本和之間過程中産生的損失，提高盈利能力。
得益于市場需求、産業鍊的成熟以及通用技術能力的提升，英特爾和深視科技打開智慧的想象，另辟蹊徑探索出一套針對輪胎制造業的機器視覺智能檢測解決方案。聚焦于此方案，則表現在“雲邊協同”和人工智能的注入。
衆所周知，機器視覺是人工智能應用最為廣泛的領域，大量的用例都利用了高分辨率的攝像頭，生成大量需要進行彙總和分析的資料，而面對急劇膨脹式的資料增長，人工智能就發揮了重要作用。
Gartner在此前公布的2020年十大戰略科技趨勢預測中顯示，在2028年前，專用AI晶片以及更加強大的處理能力、存儲和其他先進功能将被廣泛應用于邊緣裝置中。而在智能制造的大背景下，以AI為基礎能力的視覺檢測無疑将大放異彩。
其次是邊緣計算能力，《戰略師的物聯網指南》中提到，邊緣到雲行業支出預計到2021年将達到110億美元。Gartner《2018年十大戰略技術趨勢：從雲到邊緣》報告從另一個角度預測到，到2022年，75%的企業所生成的資料将從雲端或者集中式資料中心搬到邊緣位置進行處理。
我們熟知，瑕疵檢測是在微小中尋求更加安全高品質的生産，避免造成巨大的損失，而瑕疵檢測中的現場資料就發揮了極大的作用，邊緣計算的運用不僅保障了資料的“新鮮性”，避免資料價值斷崖式跌落，同時還對生産過程産生的資料進行存儲和上傳雲端，形成“雲邊互動”，通過對資料針對性的價值提煉，提供給企業更好的管理依據。
互相協作，賦能行業
當然，在工業制造複雜的生産過程中，其現場情況存在諸多可能，同樣的場景可能會用到不同的方法，再厲害的技術還需要對接客戶本身的需求，如此也為通用技術賦能行業帶來了較大的壓力。
就像金箍棒之于孫悟空，擁有了金箍棒的孫悟空才能盡撒才華，最大化發揮自身的價值。
而此時英特爾面向中國市場推出的專注于加速深度學習并将視覺資料轉換為業務洞察的基于英特爾分布式OpenVINO™工具包就派上了用場，它是幫助企業在邊緣側快速實作高性能計算機視覺與深度學習的開發平台。如果說英特爾和深視科技是孫悟空，那麼這套系統就是讓孫悟空施展才華金箍棒。
簡單而言，英特爾分布式OpenVINO™工具包是英特爾針對其處理器進行優化的計算機視覺和深度學習的推理工具，深視科技的Deep Inspect平台方案基于OpenVINO™工具包開發，不但可以解決質檢過程中海量資料造成的工作負擔，還可以運用強大的計算能力賦能硬體裝置，讓瑕疵無所遁形。歸結起來具有以下三點優勢：
首先是性能方面的提升。通過OpenVINO，可以友善地使用包括CPU、GPU、VPU、FPGA等在内的英特爾的硬體優勢資源，硬體和軟體的內建提高了性能。
其次，OpenVINO工具包支援異構執行。隻需編寫一次程式，便可以通過異構的接口運作在其他的硬體平台之上，大大縮減了使用者的開發周期。
再次，在深度學習方面。OpenVINO帶有模型優化器、推理引擎以及超過20個預先訓練的模型，使用者可快速的實作自己基于深度學習的應用從邊緣到雲端的暢快運作。并且，OpenVINO工具包是一個開放的工具，這就意味着英特爾給了使用者更多的空間和想先去滿足其自身的定制化需求。
當一個很小的缺陷會影響到整個制造商的生産效率和利潤率時，一切細節都是至關重要的。從一組資料中就足以看得見基于英特爾技術的深視科技視覺檢測解決方案能發揮多麼重要的作用。
使用該解決方案後，在速度方面，相比傳統的肉眼檢測，現在平均每次檢查時間可縮進1秒以内。在速度更快的同時，制造商每天還可以實時檢查20000多個輪胎，準确率也能提升至99.9% 以上。不僅如此，速度和準确率的提高也使企業的淨利潤得到增長，并使每條生産線的人工成本降低了大約42000美元。
目前，AI和邊緣計算等新興技術正在蓬勃發展，但面向真實場景需求的應用卻少之又少，而深視科技基于英特爾分布式OpenVINO工具包的Deep Inspect解決方案無疑為行業打開了新的想象，助力更多通用技術真實有效的賦能行業。同時，牢牢紮根于工業領域，深視科技也進行了更多實踐，比如将Deep Inspect解決方案帶進更多制造業領域，比如3C、光學薄膜行業、PCB制造業......
原文釋出時間：2019-11-19
本文作者：iot101君
本文來自雲栖社群合作夥伴“
物聯網智庫”，了解相關資訊可以關注“
”