工業(yè)用邊緣AI的應(yīng)用場(chǎng)景、實(shí)現(xiàn)條件與案例分析

　　迎?九?（《電子產(chǎn)品世界》編輯，北京?100038）

　　摘?要：英特爾中國(guó)區(qū)物聯(lián)網(wǎng)事業(yè)部首席技術(shù)官兼首席工程師張宇博士稱(chēng)目前邊緣AI主要改善了工業(yè)應(yīng)用中的三個(gè)方面，工業(yè)AI與其他產(chǎn)業(yè)AI的區(qū)別在于高實(shí)時(shí)性，實(shí)現(xiàn)工業(yè)AI需要有3個(gè)前提條件，最后分析了部分企業(yè)采用工業(yè)AI的案例。

　　關(guān)鍵詞：工業(yè)；邊緣；AI；可預(yù)測(cè)維護(hù)；缺陷檢測(cè)

　　1 邊緣AI給工業(yè)帶來(lái)的改變

　　現(xiàn)在AI技術(shù)在工業(yè)領(lǐng)域得到了越來(lái)越多的推廣，表現(xiàn)在3方面。①可預(yù)測(cè)維護(hù)、產(chǎn)品缺陷檢測(cè)，開(kāi)始利用AI的技術(shù)對(duì)數(shù)據(jù)來(lái)進(jìn)行處理。這種處理所帶來(lái)的一個(gè)最直接的效果就是整個(gè)工業(yè)系統(tǒng)變得越來(lái)越智能，因?yàn)閭鹘y(tǒng)上，很多工業(yè)系統(tǒng)是在固定編程的情況下，按照事先編寫(xiě)好的程序完成固定的操作。新的AI可對(duì)于一些新變化或新的情況做動(dòng)態(tài)的調(diào)整。②減少人為失誤。還有一些傳統(tǒng)的工業(yè)領(lǐng)域，很多操作或判斷還是通過(guò)人工來(lái)進(jìn)行的，但是在某些場(chǎng)景中人會(huì)疲勞。③可工作在危險(xiǎn)和惡劣環(huán)境。在這些工業(yè)環(huán)境中，人員不一定能夠進(jìn)入，在這些場(chǎng)景下也缺少一些更加智能化、準(zhǔn)確的方式來(lái)幫助生產(chǎn)廠家提高產(chǎn)品質(zhì)量。

　　隨著AI技術(shù)的引入，在以上方面，整個(gè)生產(chǎn)過(guò)程變得越來(lái)越智能，可以幫助這些廠家通過(guò)AI的方式去及時(shí)發(fā)現(xiàn)產(chǎn)品中的缺陷，讓廠家得到及時(shí)的調(diào)整。例如做電子設(shè)備生產(chǎn)的廠家可以通過(guò)機(jī)器視覺(jué)，檢測(cè)當(dāng)前生產(chǎn)的電路板中是否有一些錯(cuò)誤安裝的器件。再例如英特爾在2018年和重慶當(dāng)?shù)氐囊患夜S，利用AI圖像處理技術(shù)，現(xiàn)場(chǎng)檢測(cè)在鑄件生產(chǎn)過(guò)程中的零件質(zhì)量，發(fā)現(xiàn)一些形變或者是斷針、斷孔等異常，一旦發(fā)現(xiàn)會(huì)及時(shí)調(diào)整，以降低生產(chǎn)的次品率，從而提高生產(chǎn)效率。

　　2 工業(yè)AI與其他產(chǎn)業(yè)AI的區(qū)別

　　工業(yè)AI首先強(qiáng)調(diào)邊緣計(jì)算，即越來(lái)越多的數(shù)據(jù)在邊緣來(lái)處理。因?yàn)楣I(yè)生產(chǎn)和其他類(lèi)型的行業(yè)是有差異的，在工業(yè)生產(chǎn)過(guò)程中，往往對(duì)實(shí)時(shí)性的要求會(huì)更高，例如相比零售業(yè)，工業(yè)生產(chǎn)需要在秒級(jí)、亞秒級(jí)甚至更快地得到處理結(jié)果；而零售業(yè)允許更大的處理延時(shí)。所以工業(yè)生產(chǎn)的實(shí)時(shí)性要求更強(qiáng)，這就需要越來(lái)越多的計(jì)算在邊緣做。因?yàn)槿绻阉刑幚矸旁谠贫?，不可避免地?huì)有數(shù)據(jù)傳輸?shù)难訒r(shí)，一去一回再加上云端的處理，這種延時(shí)往往會(huì)超過(guò)工業(yè)生產(chǎn)所允許的延時(shí)要求。

　　3 實(shí)現(xiàn)工業(yè)AI的必要條件

　　AI是否真正落地，要依賴(lài)3個(gè)因素。

　　1）有足夠多的數(shù)據(jù)。這一輪AI興起于2012年，有一名叫Alex的學(xué)生設(shè)計(jì)了一個(gè)叫AlexNet的網(wǎng)絡(luò)，在ImageNet上可以做圖像分類(lèi)，它的準(zhǔn)確度遠(yuǎn)遠(yuǎn)超過(guò)以往。從那之后，這一輪的AI就興起了。這一輪AI興起是離不開(kāi)數(shù)據(jù)的，像ImageNet這個(gè)數(shù)據(jù)庫(kù)里有超過(guò)1 400萬(wàn)張經(jīng)過(guò)標(biāo)注的圖片，如果沒(méi)有這種數(shù)據(jù)的訓(xùn)練，你是無(wú)法得到一個(gè)效果較好的AI網(wǎng)絡(luò)的。

　　在工業(yè)生產(chǎn)中也是如此，如果要解決一個(gè)實(shí)際問(wèn)題，首先一定要有足夠量的數(shù)據(jù)，尤其是要做缺陷檢測(cè)的時(shí)候，最好有缺陷出現(xiàn)時(shí)的數(shù)據(jù)。在英特爾和很多合作伙伴合作的項(xiàng)目中這是一個(gè)難點(diǎn)，因?yàn)楣I(yè)生產(chǎn)過(guò)程中，異常出現(xiàn)的頻率并不是那么高，但是你怎樣能采集到足夠的帶有缺陷的訓(xùn)練樣本去訓(xùn)練這個(gè)模型？這是一個(gè)難點(diǎn)。

　　另外一些工業(yè)的最終用戶還缺乏采集高質(zhì)量數(shù)據(jù)的能力，這也希望其他的合作伙伴，包括英特爾這樣的合作伙伴和他們一起努力來(lái)采集高質(zhì)量的數(shù)據(jù)。

　　2）足夠高的算力。因?yàn)楝F(xiàn)在的AI網(wǎng)絡(luò)相對(duì)比較復(fù)雜。你若要用CNN處理一張圖片，所需要的算力動(dòng)輒是上億次浮點(diǎn)運(yùn)算。這些都對(duì)AI芯片提出了很高的要求。這一點(diǎn)對(duì)工業(yè)來(lái)說(shuō)尤為突出，因?yàn)楣I(yè)生產(chǎn)中很多的AI處理是在邊緣側(cè)進(jìn)行的，不完全是在數(shù)據(jù)中心的，如果在數(shù)據(jù)中心，用很多芯片去堆，用很多高性能的加速卡去實(shí)現(xiàn)加速，可以投入很大的功耗去支撐這些硬件平臺(tái)。但是在前端/邊緣側(cè)，例如工業(yè)機(jī)器人，這個(gè)設(shè)備上能提供的功耗相對(duì)是比較有限的。在有限的功耗下，自然而然所能提供的案例會(huì)受到一定的限制，如何在受限的情況下處理和實(shí)現(xiàn)AI的操作，實(shí)際上是AI在工業(yè)領(lǐng)域的一個(gè)很大的技術(shù)挑戰(zhàn)。

　　3）需要多種模型。其實(shí)，在工業(yè)生產(chǎn)中所遇到的情況或要檢測(cè)的目標(biāo)種類(lèi)是非常紛紜復(fù)雜的，具體而言，現(xiàn)在AI用得最廣的領(lǐng)域是對(duì)人、車(chē)、物等物品的識(shí)別。例如在智能交通領(lǐng)域，或者在刷臉支付領(lǐng)域用得比較廣。在這些領(lǐng)域相對(duì)來(lái)說(shuō)可以獲得比較多的數(shù)據(jù)，而且處理的檢測(cè)的特征相對(duì)比較集中。但是在工業(yè)領(lǐng)域，它的特征就會(huì)比較分散，例如在電子企業(yè)要檢測(cè)的缺欠特征和在鑄造企業(yè)要檢測(cè)的缺陷特征是有很大的差異的。這就造成了不同的物體的檢測(cè)要設(shè)計(jì)不同的模型，設(shè)計(jì)了模型之后還要用專(zhuān)門(mén)的數(shù)據(jù)進(jìn)行訓(xùn)練。

　　以上3點(diǎn)，使得若在工業(yè)領(lǐng)域應(yīng)用AI，要投入的努力比其他領(lǐng)域要更大一些。

　　4 企業(yè)采用AI技術(shù)的動(dòng)力

　　一些企業(yè)沒(méi)有AI技術(shù)，怎么樣進(jìn)入AI行業(yè)？另外，企業(yè)采用AI技術(shù)的投入產(chǎn)出比如何？

　　實(shí)際上，任何一個(gè)新技術(shù)的推廣都要計(jì)算投入產(chǎn)出比。英特爾現(xiàn)在也在和合作伙伴一起去證明AI技術(shù)確實(shí)可以為用戶帶來(lái)效益。例如英特爾在2018年和阿里巴巴有很多合作?，F(xiàn)在很多傳統(tǒng)意義上的服務(wù)提供商，像阿里巴巴、騰訊在進(jìn)入到工業(yè)領(lǐng)域，幫助一些工廠和企業(yè)應(yīng)用AI技術(shù)進(jìn)行生產(chǎn)線的改造。這些合作其實(shí)是可以降低這些企業(yè)使用AI的門(mén)檻的，因?yàn)樵S多傳統(tǒng)企業(yè)并不具備IT技術(shù)、AI技術(shù)，但是如果借助產(chǎn)業(yè)鏈上的合作伙伴的力量，就可以幫助它們?nèi)タ朔媾R的難點(diǎn)。

　　例如英特爾和阿里合作的案例之一，是可以利用AI技術(shù)及時(shí)、準(zhǔn)確地得到訂單生產(chǎn)的狀態(tài)。例如在產(chǎn)線上利用AI技術(shù)分析現(xiàn)在生產(chǎn)的產(chǎn)品是屬于哪一個(gè)訂單的，用戶可以把這些信息和天貓平臺(tái)上的訂單信息匹配。這樣就形成了從用戶下單到產(chǎn)品生產(chǎn)整個(gè)過(guò)程的閉環(huán)監(jiān)控，給最終用戶提供更好的體驗(yàn)。這樣給這些生產(chǎn)廠家?guī)?lái)更多的用戶。

　　而要實(shí)現(xiàn)這樣的目標(biāo)，是需要整個(gè)產(chǎn)業(yè)鏈的合作伙伴一起努力的，包括英特爾，包括像阿里、騰訊以及一些ISV（獨(dú)立軟件開(kāi)發(fā)商），還有一些集成商，還有最終用戶共同做這樣的事情。

　　另一個(gè)邊緣來(lái)處理的案例，是英特爾2018年與重慶一家工廠合作的AI方案為例，英特爾和合作伙伴一起在邊緣部署邊緣計(jì)算節(jié)點(diǎn)，這些計(jì)算節(jié)點(diǎn)往往是一個(gè)異構(gòu)的計(jì)算平臺(tái)。在這個(gè)里會(huì)有一個(gè)通用處理器作為一個(gè)承載型平臺(tái)，做數(shù)據(jù)保護(hù)、數(shù)據(jù)的導(dǎo)出、邏輯判斷的底層計(jì)算平臺(tái)。在這個(gè)計(jì)算平臺(tái)之上，英特爾會(huì)針對(duì)AI的應(yīng)用增加一些加速引擎。這些加速引擎會(huì)利用英特爾最新的AI加速芯片，諸如英特爾2018年發(fā)布的MovidiusMyriad TM X的AI加速芯片，它的處理能力在1T左右，功耗大概是2~3 W的水平。經(jīng)過(guò)這樣的AI加速芯片，對(duì)深度學(xué)習(xí)所遇到的卷積神經(jīng)網(wǎng)絡(luò)（CNN）進(jìn)行專(zhuān)門(mén)的加速，來(lái)實(shí)現(xiàn)對(duì)這種工業(yè)生產(chǎn)過(guò)程中圖片的快速處理。底層平臺(tái)會(huì)應(yīng)用一些通用的英特爾處理器，例如酷睿處理器甚至是至強(qiáng)處理器，在上面附加AI加速芯片，像Movidius Myriad TM X這樣的芯片。

　　在軟件層面，英特爾提供了很多幫助開(kāi)發(fā)者來(lái)利用英特爾AI芯片開(kāi)發(fā)的開(kāi)發(fā)包，OpenVINO就是這樣的一個(gè)工具套件，利用這樣的工具套件可以幫助開(kāi)發(fā)者，讓他們?cè)诨陂_(kāi)放的AI框架上編寫(xiě)AI網(wǎng)絡(luò)模型，并快速地轉(zhuǎn)換成可以在硬件平臺(tái)上執(zhí)行的軟件，以實(shí)現(xiàn)快速部署、快速應(yīng)用。目前英特爾能支持TensorFlow、Caffe、MxNET等開(kāi)放AI框架，開(kāi)發(fā)者可以在這些開(kāi)放框架下設(shè)計(jì)、訓(xùn)練一些相應(yīng)的AI網(wǎng)絡(luò)。利用OpenVINO可以把這些網(wǎng)絡(luò)快速轉(zhuǎn)換成能夠在英特爾所提供的硬件上去執(zhí)行的代碼。目前可利用的硬件平臺(tái)包括傳統(tǒng)的CPU平臺(tái)以及英特爾CPU上集成顯卡的資源，或者是利用英特爾的AI加速芯片Movidius Myriad TM X芯片，或者是FPGA這樣更高性能的加速硬件，都可以利用OpenVINO來(lái)實(shí)現(xiàn)軟件快速的部署和執(zhí)行。

　　本文來(lái)源于科技期刊《電子產(chǎn)品世界》2019年第12期第6頁(yè)，歡迎您寫(xiě)論文時(shí)引用，并注明出處。