AI智能檢測在工業自動化控制系統中的應用

于 樂，畢心蕊

（1.易訊科技股份有限公司，遼寧沈陽 110168；2.沈陽水務集團有限公司，遼寧沈陽 110000）

計算機技術、數字技術等自問世以來，指明了各行業的發展方向，將整個世界都引入了新的航道。AI智能技術作為其中的重要成果，在很多領域都以應用實踐證明了該技術的優勢，尤其是在工業自動化控制系統中，可以說AI 智能檢測技術逐漸成為了重要的核心技術之一，但仍面臨著一些問題影響著技術的應用效果，應結合實踐對技術應用方式進行優化和創新，促進系統整體優化。

1 工業控制系統中的AI視覺檢測技術

人工智能技術的發展，讓原本由人工操作完成的諸多項目實現了機械化替代轉型，傳統的人工檢測判斷也出現了機械替代技術，這就是機器視覺檢測系統。這個系統由鏡頭、相機、工控機、執行機構、圖像處理系統、檢測目標以及光源等組成。具體操作是，利用相機拍攝得到檢測目標的清晰圖像后向圖像處理系統傳輸，經過檢測算法識別檢測目標并提取它的主要特征，最終輸出所得結果，依據結果完成后續操作。

機器視覺檢測的應用范圍很廣，尤其是工業應用的市場前景非常好，應用范圍包括目標檢測、識別、定位和測量。

目標檢測內容是檢測產品配件庫存和外觀缺陷，目標識別即識別檢測目標的顏色或文字等，目標定位包括標簽和PCB 加工等定位內容，目標測量包括測量配件尺寸、指針儀表的角度和長度等。機器視覺檢測的傳統方式為人工作業，這種方式的針對性很好，但是不具備較強的系統魯棒性。機器視覺檢測處理的常用方法有圖像的算數和二值化、圖像灰度處理、霍夫變換以及濾波算法等。人工智能技術的普及推廣，讓機器視覺越來越多地開始應用深度學習技術，神經網絡就是其中的典型代表。深度學習指的是通過機器對人類的思考行為進行逼真模擬，從而理解并識別直至最終解決那些錯綜復雜的模式或場景，在圖像的分割與分類以及目標檢測中應用廣泛。

較之傳統的機器視覺，深度學習能夠利用專業訓練完成相關屬性的自學成才，無須再進行特征工程，實現高精度的靈活識別。這種技術也有局限性，它要求系統具備極高的計算功能和硬件內存，在硬件配置方面的成本投入非常高，而且，它的開發應用是建立在樣本數據的海量采集上面，還要反復實施模型訓練才能達到符合技術標準的模型精準度。由此可見，深度學習的技術優勢雖然巨大，但是實際應用仍然需要視覺檢測的傳統方式與深度學習模式的聯合應用才能實現作業目標。

利用5G 技術開展相關科技試點調研，目前國內工業領域的視覺檢測缺陷很多，有4種主要表現：①一些企業的視覺檢測仍然沿用傳統的人眼識別，不僅效率低下且時常漏檢；②一些企業的視覺檢測通過智能化一體相機完成，缺陷是無法應用于規模性檢測，單點設備耗資巨大且管理難度較大；③一些企業的視覺檢測系統建立在云端基礎上，無法保證數據安全，且不能快速響應；④很多企業專業AI 檢測人員奇缺，無法構建專業的視覺檢測系統。綜上所述，工業領域的視覺檢測必定會向平臺化、場景適應性強的機器視覺檢測系統方向發展。互聯網技術日新月異，制造業也在大力推進轉型升級，在大數據技術、AI 以及5G技術的加持下，工業領域的機器視覺檢測技術必將得到更大發展。

2 工業AI視覺檢測系統5 G技術條件下的解決方案

工業領域利用5G 技術構建視覺檢測系統，主要特點是平臺化，且支持數量眾多的檢測點位的同步檢測，利用MEC 和5G 技術聯合構建企業的內部局域網，交互現場客戶端，打造出企業視覺檢測的整體體系，使視覺檢測可實現點位和場景眾多的同步檢測，且實現相關管理工作的智能化。向平臺輸入算法和算力，數據的分析處理效率提速。AI 視覺檢測通過包括普通相機在內的少量現場設備即可完成，不僅單點檢測成本大幅降低，部署方式也更加靈活。同時，該系統平臺還支持配置檢測點位相關能力，檢測點位單體稍微調整一下就能完成檢測新場景的適配，對類型多樣的工業產品做到快速適應檢測。5G 技術條件下的工業AI 視覺檢測系統，由智能監測平臺和現場設備共同構成主體結構。

2.1 現場設備端

現場設備端的所有行為都與企業生產線協調聯動，既要觸發系統，還要把結果進行及時反饋。它負責采集圖像并向服務端傳輸，再得到最終的處理結果。現場設備端有3個組成成分：①工業相機系統。該系統由工業相機、光源以及鏡頭等組成，任務是采集現場圖像，結合檢測要求完成選型和檢測點位適配。②現場工控終端。工控機是主體設備，任務是對現場設備和相機系統進行控制，傳輸圖像，下達控制指令，推動現場客戶端運行等。③現場設備。由急停開關、顯示器、傳感器、碼槍以及三色燈等組成，任務是檢測信號并顯示結果，同時兼具系統觸發和控制運行等作用。

2.2 智能檢測平臺架構

視覺檢測系統的關鍵核心是智能檢測平臺，企業在云端服務器和數據機房均可布置，它的任務是對視覺檢測進行全流程處理，具體內容有業務、場景以及算法的管理，編排檢測內容，分析檢測結果以及算法模型訓練等該平臺設置有負責統一管理以及狀態查詢的接口，能對多種檢測場景進行適配。該平臺通過5G 網絡連接檢測點位，在應用和檢測管理方面達到一個平臺對應n個功能的需要。該平臺適用于工業企業類型多樣的視覺檢測需要，服務于上層應用。①基礎能力層。利用接口的統一性滿足上層基礎檢測需要。②編排器層。利用編排器組合協調基礎能力，封裝下層基礎檢測能力，而且，如果視覺檢測有特殊需要，封裝后的基礎檢測可提供解決方案，由此構建的基礎檢測能力庫針對性和功能都很強大。③編排流程庫層。它是結合視覺檢測的各種類型來編排基礎能力，進而達到檢測要求。④應用層。在流程編排庫內對基礎檢測能力進行調度使用，確保各項檢測的順利進行，利用輸出和輸入接口，服務于作業人員和相關設備的檢測作業。⑤云計算平臺。結合檢測需要利用專業適用技術完成上層應用平臺的構建和部署。⑥基礎設施層。它包含多種計算資源，比如GPU 和CPU 的服務器和GPU 推理單板機等。⑦輸入及輸出適配器。利用插件化為工業總線協議和主流工業相機通信協議提供支持，有利于迅速對接工裝環境。

2.3 關鍵技術

2.3.1 系統設計平臺化

目前企業開展視覺檢測多是利用智能相機結合傳統方式共同完成。傳統方式中的視覺檢測單點系統包括相機，光源以及圖像采集和處理單元等關鍵模塊，它們在現場的布置方式非常分散，其開發應用多為定制性，針對性很強，對應的檢測場景非常單一，整個系統錯綜復雜且體積過大，系統的日常維護和升級非常困難。智能相機體積微小但是集成化程度非常高，它在視覺檢測系統中達到一體化完成采集處理圖像和通信，與視覺檢測系統的傳統方式相比，智能相機可實現靈活多變且方便快捷的現場部署。缺陷是體積過小不具備較強的處理能力，支持簡單算法，相機購置耗費資金較多。把5G 技術條件下的AI 系統引入工業視覺檢測領域，它的結構設計建立在C/S 基礎上，屬于一種PaaS 平臺，它的后端平臺集中了絕大部分智能處理能力，現場終端采集檢測點位圖像向智能檢測平臺傳輸，檢測結果可實時獲取。該平臺內部設置的算法能力多種多樣，既有新興深度學習模型算法，也有機器視覺的傳統算法。這種系統的平臺化設計為視覺檢測提供多場景同步檢測服務，還恢復使用了算法能力。

2.3.2 深度學習視覺能力平臺

企業構建AI 視覺檢測平臺的最大困難是專業人才奇缺。在搭建視覺檢測平臺時，專門引入了以深度學習為基礎的視覺檢測平臺，可執行全套的模型訓練流程，服務內容有模型訓練、模型發布以及管理，還有樣本標注和數據采集管理等。把機器學習的傳統方式進行適度延伸，開發出了深度學習，在目標檢測和圖像識別方面得到大量使用。深度學習模型的類型包括卷積神經網絡，代號CNN，堆棧自編碼網絡，代號SAE，以及深度置信網絡，代號DBN。CNN 屬于前饋神經網絡的一種，它內置卷積計算和深度結構，利用池化和卷積對圖像的層次特征進行自動學習；DBN 屬于生成類模型，它利用對神經元的相互權重進行訓練，促使神經網絡在最大概率基礎上完成訓練數的生成；SAE 近似于DBN，二者的明顯區別是SAE 的結構單元屬于自編碼模型。在圖像識別方面，CNN 的應用范圍最為廣泛，以CNN 視覺檢測為基礎，生成了很多典型算法，其中目標檢測算法有RCNN，YOLO，FastRCNN，SSD以及FastRCNN 等，圖像分類算法有LeNet，VGG，AlexNet 以及GoogLeNet 等。上述多種視覺檢測算法中的SSD，RetinaNet 以及FastRCNN 等已經在深度學習平臺上完成布置，它們的應用范圍局限在目標檢測場景中。同時，該平臺對用戶提供模型自訓支持，對平臺流程執行進行標準化設計，場景各異的視覺檢測開發應用得以降低難度，即使非專業人員也可部署、校驗以及進行模型訓練，快速完成視覺檢測新模式的上線進程。

2.3.3 算法能力集成

工業視覺檢測具有類型多樣且錯綜復雜的場景應用，檢測涵蓋的技術難度跨度極大，尺寸檢測是最簡單的作業，最難的是眾多復雜檢測目標的快速識別，所以，算法能力的選型還須結合場景需要來確定，要把視覺檢測中的深度學習與傳統方法綜合利用。同時，該平臺在視覺檢測算法方面設置有能力庫，這個能力庫是開放性質的，還具有繼續擴展的性能，同時平臺還為第三方算法能力提供集成支持，包括深度學習、Halcon 以及OpenCV 等的視覺檢測能力庫等。而且平臺為用戶提供的接口能力單元非常標準，可把以前使用的視覺檢測算法向平臺移植后繼續使用。

2.3.4 能力編排引擎

視覺檢測系統具備的關鍵核心能力就包括能力編排引擎，面對場景需要的多樣化，用戶可利用能力編排引擎實現編排開發的可視化，對各種檢測的新場景進行視覺檢測的流程以及算法的編排適配，滿足新場景下的視覺檢測要求。

2.3.5 利用5G＋MEC網絡制定承載方案

企業生產數據要求嚴密的安全保護，限制在園區內部流通，要達到這一目標，需要構建5G 與MEC聯合支持的內部網絡，①通過5G 網絡連接相關設備，確保數據傳輸安全；②通過對MEC 本地分流功能的合理利用，機密數據向本地視覺檢測平臺分流并確保限制在廠區，提升安全保護效果，而且本地分流還能使端間通信避免延時，實現系統的快速響應。

2.4 應用效果

在5G 網絡基礎上構建AI 工業視覺檢測系統，把視覺檢測與MEC，5G 以及AI 實現了完美融合，使視覺檢測系統實現了智能化與平臺化，視覺檢測得以多場景同步檢測。與目前企業使用的昂貴、不易管理以及功能單一的視覺檢測系統相比，新開發的視覺檢測系統成本不高，支持大規模部署，而且該系統可構建算法的集成主流庫，有極強的算法能力和管理能力，支持大數據技術展開檢測流程與結果分析，同時它的操作流程非常標準，向非專業人員開放門檻。這個系統應用于工業視覺檢測，對智能化水平的提升大有裨益，企業運行效率上升，節約人力資源，加速向智能化數字化轉型升級。

3 價值分析

3.1 產品自身價值

（1）成本層面。與目前使用的視覺檢測系統相比，智能工業相機和系統的平臺化，這種系統極大節省了現場硬件配置，且算力極強，企業進行規模化部署時可節約大量成本投資，檢測場景批量部署起來更加迅速。

（2）算法層面。系統的平臺化支持高強度高復雜性的算法能力，維護作業簡便易行，有極強的擴展空間，檢測與識別的精準度和效率大幅提升。

（3）使用層面。系統編排引擎和模型訓練降低了難度，非專業人員也可迅速完成場景部署。

（4）管理層面。系統的平臺化可同步接入眾多檢測場景，達到場景管理的精細化目標，有效規避了數據孤島的出現，企業可從整體上分析和管控數據，生產工藝大幅提高。

3.2 產品工業應用價值

在5G 網絡基礎上構建的AI 工業視覺檢測系統，企業可從中獲取視覺檢測的端間解決方案，可接入視覺檢測的全部場景，構建監管體系，視覺檢測向智能化的高效低耗資方向發展，產品質量和生產效率穩步提升，成本下降使經濟收益明顯增長。而且，構建的5G 與NEC 聯合企業內部網絡系統負責處理企業數據，使5G 網絡與企業生產協調發展，業務點得以擴張，適宜大面積地復制和推廣。

4 結語

科技為工業發展提供源源不斷的推助力，在AI智能技術的催化下，多種行業都迎來了新機遇，但新的道路并不總是平坦的。目前在我國的自動化控制系統建設中，已經逐步開發AI 智能檢測技術，但相比國外先進水平仍有距離。相關企業應當加大資金人才投入力度，以實踐為基礎，探索人工智能與自動化的深度結合，促進工業健康發展。