百度打造“AI质检员”帮助企业降本增效.docx

案例研究

英特尔?至强?可扩展处理器英特尔?酷睿?处理器

英特尔?OpenVINO?工具套件分发版

百度打造“AI质检员”帮助企业降本增效

“

“AI已经成为颠覆工业质检领域格局的重要技术基础，通过打造智能工业质检方案，用户能够全量、实时地对每个产品的质量进行甄别，同时对产线质量数据进行分

析，借助数字化系统沉淀质量知识与经验，持续提升改善工艺，提高良品率。百度智能云与英特尔等合作伙伴共同打造的工业AI生态，赋能工业企业数字化转型与智能化改造，为制造强国贡献AI力量。”

—黄锋

百度智能云工业能源产品研发总经理

概述

质量检验（质检）是工业制造中的一项重要流程，也是保障产品质量与用户体验的重要关口。相较于传统的人工质检，基于人工智能(AI)的工业质检系统在检测效率、精度和成本等方面具备重要优势，逐渐成为工业企业推动智能化转型的重要方向。要推动工业质检技术的场景化落地，需要从模型训练、算法优化、算力基础设施创新等领域进行入手，提供工业质检算法所需的精度和速度，以满足工业企业的质量标准和生产节拍要求。

为解决上述难题，百度智能云推出了基于百度工业视觉智能平台的工业智能质检方案。该方案采用来自英特尔的软硬件产品，搭建了统一的工业Al底座，在云边端架构下实现数据/Al能力闭环流通和控制。方案通过边缘端的英特尔?酷睿?处理器对视觉数据进行AI推理，并使用英特尔?OpenVINO?工具套件分发版（OpenVINO?工具套件）进行性能优化，从而满足了工业智能质检算法推理对精度和速度的要求。目前，该方案已经在小仙炖燕窝原料杂质智能挑拣等场景得到了广泛应用，帮助用户提升了质检精度与效率，优化了工艺，同时提高了产能与品质。

挑战：工业智能质检落地面临多重瓶颈

机器视觉等技术正在工业智能质检中受到越来越多的青睐。机器视觉系统可以代替人工目检，提取并识别待检测目标的关键特征，进行尺寸、形状、颜色等的判别，检验待检产品是否符合设计参数和质量参数。此类系统不仅能够检测生产线上的产品是否合格，还可识别出缺陷类型及位置，辅助产线调整。得益于高精密成像、微米水平无损检测、自主感知等技术的应用，面向工业环境的机器视觉系统可以实现比人类更高的视觉感知效率以及精度，同时降低由于工人懈怠、疏漏所导致人为失误的可能性，有助于提升表面缺陷检测等工业质检应用的稳定性、精确性与效率。

近年来，基于深度学习的机器视觉系统开始在工业质检中得到广泛应用。深度学习是AI技术的重要分支，支持通过大量样品进行训练，从而进行更加精确的质检判断。在灵活性方面，深度学习是完全基于大数据的AI数据分析和处理方法，它不需要预设任何模式或框架，只需大量的样本数据和适当的标注，即可实现自学习和生成推理模型。因此，通过深度学习框架，企业可以摆脱设备供应商的束缚，自主采集数据，形成自己的机器视觉应用标准和规范。

百度打造“AI质检员”帮助企业降本增效

2

但与此同时，要想进一步推进基于深度学习的机器视觉系统在工业质检领域的落地，打造出色的工业智能质检系统，尚需要解决以下挑战：

工业质检的应用标准整体严苛且碎片化

相较于泛在的机器视觉场景，工业质检不仅要求机器视觉系统给出定性的描述，还要给出非常苛刻的量化标准，这就要求深度学习模型达到特定的准确率、泛化性。

机器视觉系统部署面临工业场景的特殊性挑战

在大量工业质检的实际场景中，都存在网络覆盖不佳、设备体积成本受限等问题，因此边缘端部署成为工业智能质检系统的重要方向。但同时，边缘端部署也意味着企业需要在优化AI算力、提升边缘设备的稳定性与环境适应性等方面，应对更多的挑战。

未知场景和未知缺陷识别难

由于工业质检领域存在少量多批次的应用场景，即使在系统部署之后，可能仍然存在着大量的未知场景和未知缺陷，针对这些场景的识别对于企业而言也十分重要。

少样本的场景下难以实现快速冷启动

在工业质检中，缺陷的严重程度与主线频次呈反比，而深度学习基于统计分析，数据量越少效果越差。因此如何在少样本和无样本的情况下实现快速冷启动，在产线正常出货的前提下还能维持较好的过杀率，也是重要的挑战。

高精度语义分割无法满足实际应用需要

基于通用语义的分割在实际应用中存在大量问题。例如，整体的缺陷拓扑不连续，在某个缺陷比较长或者是比较大的时候，可能会出现断裂的情况，难以支撑准确的缺陷定级；结构类缺陷精度较差，可能导致出现错漏件；整体模型鲁棒性不高，当光线出现轻微变化，模型的一致率下降。

深度学习模型推理性能需要支撑高精度检测

工业质检的大量工序都有非常严格的时间限制，这就需要依靠强劲的算力支持，提升目标