工業(yè)用邊緣AI的應用場景、實現條件與案例分析

　　迎?九?（《電子產品世界》編輯，北京?100038）

　　摘?要：英特爾中國區(qū)物聯網事業(yè)部首席技術官兼首席工程師張宇博士稱目前邊緣AI主要改善了工業(yè)應用中的三個方面，工業(yè)AI與其他產業(yè)AI的區(qū)別在于高實時性，實現工業(yè)AI需要有3個前提條件，最后分析了部分企業(yè)采用工業(yè)AI的案例。

　　關鍵詞：工業(yè)；邊緣；AI；可預測維護；缺陷檢測

　　1 邊緣AI給工業(yè)帶來的改變

　　現在AI技術在工業(yè)領域得到了越來越多的推廣，表現在3方面。①可預測維護、產品缺陷檢測，開始利用AI的技術對數據來進行處理。這種處理所帶來的一個最直接的效果就是整個工業(yè)系統(tǒng)變得越來越智能，因為傳統(tǒng)上，很多工業(yè)系統(tǒng)是在固定編程的情況下，按照事先編寫好的程序完成固定的操作。新的AI可對于一些新變化或新的情況做動態(tài)的調整。②減少人為失誤。還有一些傳統(tǒng)的工業(yè)領域，很多操作或判斷還是通過人工來進行的，但是在某些場景中人會疲勞。③可工作在危險和惡劣環(huán)境。在這些工業(yè)環(huán)境中，人員不一定能夠進入，在這些場景下也缺少一些更加智能化、準確的方式來幫助生產廠家提高產品質量。

　　隨著AI技術的引入，在以上方面，整個生產過程變得越來越智能，可以幫助這些廠家通過AI的方式去及時發(fā)現產品中的缺陷，讓廠家得到及時的調整。例如做電子設備生產的廠家可以通過機器視覺，檢測當前生產的電路板中是否有一些錯誤安裝的器件。再例如英特爾在2018年和重慶當地的一家工廠，利用AI圖像處理技術，現場檢測在鑄件生產過程中的零件質量，發(fā)現一些形變或者是斷針、斷孔等異常，一旦發(fā)現會及時調整，以降低生產的次品率，從而提高生產效率。

　　2 工業(yè)AI與其他產業(yè)AI的區(qū)別

　　工業(yè)AI首先強調邊緣計算，即越來越多的數據在邊緣來處理。因為工業(yè)生產和其他類型的行業(yè)是有差異的，在工業(yè)生產過程中，往往對實時性的要求會更高，例如相比零售業(yè)，工業(yè)生產需要在秒級、亞秒級甚至更快地得到處理結果；而零售業(yè)允許更大的處理延時。所以工業(yè)生產的實時性要求更強，這就需要越來越多的計算在邊緣做。因為如果把所有處理放在云端，不可避免地會有數據傳輸的延時，一去一回再加上云端的處理，這種延時往往會超過工業(yè)生產所允許的延時要求。

　　3 實現工業(yè)AI的必要條件

　　AI是否真正落地，要依賴3個因素。

　　1）有足夠多的數據。這一輪AI興起于2012年，有一名叫Alex的學生設計了一個叫AlexNet的網絡，在ImageNet上可以做圖像分類，它的準確度遠遠超過以往。從那之后，這一輪的AI就興起了。這一輪AI興起是離不開數據的，像ImageNet這個數據庫里有超過1 400萬張經過標注的圖片，如果沒有這種數據的訓練，你是無法得到一個效果較好的AI網絡的。

　　在工業(yè)生產中也是如此，如果要解決一個實際問題，首先一定要有足夠量的數據，尤其是要做缺陷檢測的時候，最好有缺陷出現時的數據。在英特爾和很多合作伙伴合作的項目中這是一個難點，因為工業(yè)生產過程中，異常出現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練樣本去訓練這個模型？這是一個難點。

　　另外一些工業(yè)的最終用戶還缺乏采集高質量數據的能力，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采集高質量的數據。

　　2）足夠高的算力。因為現在的AI網絡相對比較復雜。你若要用CNN處理一張圖片，所需要的算力動輒是上億次浮點運算。這些都對AI芯片提出了很高的要求。這一點對工業(yè)來說尤為突出，因為工業(yè)生產中很多的AI處理是在邊緣側進行的，不完全是在數據中心的，如果在數據中心，用很多芯片去堆，用很多高性能的加速卡去實現加速，可以投入很大的功耗去支撐這些硬件平臺。但是在前端/邊緣側，例如工業(yè)機器人，這個設備上能提供的功耗相對是比較有限的。在有限的功耗下，自然而然所能提供的案例會受到一定的限制，如何在受限的情況下處理和實現AI的操作，實際上是AI在工業(yè)領域的一個很大的技術挑戰(zhàn)。

　　3）需要多種模型。其實，在工業(yè)生產中所遇到的情況或要檢測的目標種類是非常紛紜復雜的，具體而言，現在AI用得最廣的領域是對人、車、物等物品的識別。例如在智能交通領域，或者在刷臉支付領域用得比較廣。在這些領域相對來說可以獲得比較多的數據，而且處理的檢測的特征相對比較集中。但是在工業(yè)領域，它的特征就會比較分散，例如在電子企業(yè)要檢測的缺欠特征和在鑄造企業(yè)要檢測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要設計不同的模型，設計了模型之后還要用專門的數據進行訓練。

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

　　4 企業(yè)采用AI技術的動力

　　一些企業(yè)沒有AI技術，怎么樣進入AI行業(yè)？另外，企業(yè)采用AI技術的投入產出比如何？

　　實際上，任何一個新技術的推廣都要計算投入產出比。英特爾現在也在和合作伙伴一起去證明AI技術確實可以為用戶帶來效益。例如英特爾在2018年和阿里巴巴有很多合作?，F在很多傳統(tǒng)意義上的服務提供商，像阿里巴巴、騰訊在進入到工業(yè)領域，幫助一些工廠和企業(yè)應用AI技術進行生產線的改造。這些合作其實是可以降低這些企業(yè)使用AI的門檻的，因為許多傳統(tǒng)企業(yè)并不具備IT技術、AI技術，但是如果借助產業(yè)鏈上的合作伙伴的力量，就可以幫助它們去克服所面臨的難點。

　　例如英特爾和阿里合作的案例之一，是可以利用AI技術及時、準確地得到訂單生產的狀態(tài)。例如在產線上利用AI技術分析現在生產的產品是屬于哪一個訂單的，用戶可以把這些信息和天貓平臺上的訂單信息匹配。這樣就形成了從用戶下單到產品生產整個過程的閉環(huán)監(jiān)控，給最終用戶提供更好的體驗。這樣給這些生產廠家?guī)砀嗟挠脩簟?/p>

　　而要實現這樣的目標，是需要整個產業(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（獨立軟件開發(fā)商），還有一些集成商，還有最終用戶共同做這樣的事情。

　　另一個邊緣來處理的案例，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算節(jié)點，這些計算節(jié)點往往是一個異構的計算平臺。在這個里會有一個通用處理器作為一個承載型平臺，做數據保護、數據的導出、邏輯判斷的底層計算平臺。在這個計算平臺之上，英特爾會針對AI的應用增加一些加速引擎。這些加速引擎會利用英特爾最新的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。經過這樣的AI加速芯片，對深度學習所遇到的卷積神經網絡（CNN）進行專門的加速，來實現對這種工業(yè)生產過程中圖片的快速處理。底層平臺會應用一些通用的英特爾處理器，例如酷睿處理器甚至是至強處理器，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發(fā)者來利用英特爾AI芯片開發(fā)的開發(fā)包，OpenVINO就是這樣的一個工具套件，利用這樣的工具套件可以幫助開發(fā)者，讓他們在基于開放的AI框架上編寫AI網絡模型，并快速地轉換成可以在硬件平臺上執(zhí)行的軟件，以實現快速部署、快速應用。目前英特爾能支持TensorFlow、Caffe、MxNET等開放AI框架，開發(fā)者可以在這些開放框架下設計、訓練一些相應的AI網絡。利用OpenVINO可以把這些網絡快速轉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包括傳統(tǒng)的CPU平臺以及英特爾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來實現軟件快速的部署和執(zhí)行。

　　本文來源于科技期刊《電子產品世界》2019年第12期第6頁，歡迎您寫論文時引用，并注明出處。