《5G +AI智能工业视觉解决方案白皮书V1.0》(可下载)

机器视觉技术市场规模

随着人工智能、 计算机视觉等技术的不断成熟, 以及德国 “工业 4.0” 、 日本机器人新战略、 美国先进制造伙伴计划、中国制造 2025 等政策的不断驱动,促使工业机器人市场持续增长,也大大促进了机器视觉产业发展。

有公开数据显示, 在 2018 年,全球用于工业自动化领域的机器视觉技术市场规模达 44.4 亿美元,预计 2023 年将达 122.9 亿美元,年复合增长率高达 21%,市场需求巨大。

机器视觉在工业生产中应用广泛,常用于遍布整个生产环节的四类业务应用:视觉引导与定位、模式有无识别检测、精准测量测距、产品外观检测等，其目的是提高生产的柔性和自动化程度。

机器视觉系统的优势

1. 在一些不适合于人工作业的危险工作环境或人工视觉难以满足要求的场合,常用机器视觉来替代人工视觉;

2. 在大批量工业生产过程中,用人工视觉检查产品质量效率低且精度不高,用机器视觉检测方法可以大大提高生产效率和生产的自动化程度。

3. 机器视觉更易于实现自动化集成,软件集成,是实现智能制造的基础技术。

机器视觉系统的体系架构

在不同的应用场景中,机器视觉系统所采用的图像采集设备、处理方式、架构组成有所不同,主要包括以下三种系统架构:

1、一体化智能工业相机机器视觉系统

智能相机是一个兼具图像采集、图像处理和信息传递功能的小型机器视觉检测系统,是一种嵌入式计算机视觉检测系统。它将图像传感器、处理模块、通讯模块和其他外设集成到一个单一的相机内,由于这种一体化的设计,可降低系统的复杂度,并提高可靠性,同时系统尺寸大大缩小,拓宽了机器视觉的应用领域。

2、基于工业相机和本地算力的机器视觉系统

基于工控机机的机器视觉系统是目前主流的应用方案。分离式的图片采集系统与基于工控机的处理系统架构使得该方案能广泛适用于各类工业视觉应用场景。

典型的基于工控机的工业视觉系统分为图像采集部分、图像处理部分和运动控制部分,具体由如上图所示的几部分组成:

（1）工业相机与镜头:成像器件,通常的视觉系统都是由一套或者多套这样的成像系统组成,如果有多路相机,可能由系统控制切换来获取图像数据,也可能由同步控制同时获取多相机通道的数据。

（2）光源:光源是影响机器视觉系统输入的重要因素,它直接影响输入数据的质量和应用效果;  

（3）控制单元:控制单元一般包含光电传感器、I/O、运动控制、电平转化单元等,用以判断被测对象的位置和状态, 告知图像传感器进行正确的采集或根据图像处理结果完成对生产过程的控制; 

（4）图像处理算力设备:工控机或 GPU 服务器,是视觉系统的核心算力,部署于靠近相机的端侧,完成图像数据的处理和绝大部分的控制逻辑,对于检测识别类型或采用深度学习算法的应用,通常都需要高性能的 CPU/GPU,减少处理的时间。

工控机内的机器视觉软件用来完成输入的图像数据的处理,通过图像识别得出结果,这个输出的结果可能是 PASS/FAIL 信号、坐标位置、字符串等。

3、基于 IPC 摄像机和云端算力的工业监控系统

IPC(IP Camera)摄像机是由视频编码模块和模拟摄像机组合而成的一类摄像机。视频编码模块将模拟摄像机采集到的模拟视频信号编码压缩成数字信号,从而可以直接接入网络交换及路由设备,与云端识别 API 打通。

IPC 摄像机能更简单的实现监控特别是远程监控、更简单的施工和维护、更好的支持音频、更好的支持报警联动和更灵活的录像存储。

IPC 摄像机在工业应用场景包括安全巡检、装配动作合规、仓库物料盘点计数等场景。

AI 工业视觉应用面临的挑战

深度学习方法 (Deep Learning) 作为传统神经网络的拓展,近年来在语音、图像、自然语言等的语义认知问题上取得巨大的进展,为解决视觉大数据的表示和理解问题提供了通用的框架。基于深度学习的 AI 工业视觉可以解决更复杂的问题, 应用越来越广泛, 但仍存在如下瓶颈, 制约更高速的发展。

◆ 端侧算力成本越来越高

随着工业相机像素越来越高,深度学习在工业视觉检测中的应用及提升生产效率生产节拍的要求,对算力硬件性能要求越来越高,高性能 CPU/GPU 的应用也越来越广泛,这直接导致算力成本价格直线上升。同时,一套视觉系统往往独立部署一台算力设备,所有算力无法共享复用,利用率往往无法达到最高。

◆ 单点系统维护成本过高

固定工位单机的部署方式,使得每次对设备进行调试、软件更新维护、监控分析都需要在本地完成,在机器视觉被工厂大规模使用的情况下,这种维护方式成本极其高昂。

◆ 数据孤岛,数据不能有效共享

在典型工业视觉系统解决方案中,图像的处理在本地完成终结,生产中有效数据不能及时在各个系统间共享,使得全部系统功能更新缓慢,进而影响整个生产进度。  

◆ 不能很好的适应具有移动性诉求的应用场景

部分工业应用场景具有移动性诉求,如安装于机械臂的视觉定位相机,因为机械臂的移动而线缆损耗严重。

◆ 工厂车间有线互联网建设成本过高、容量不足

典型的工厂车间环网速率容量为 1Gbps,该容量为车间环网各类应用公用,如在环网上增加一个端口,则平均成本为超千元;该容量不足以承载典型工业相机数应用的上行大数量需求,且整体有线扩容成本非常高。

◆ 通用性、智能性和同类应用快速复制性欠佳

机器视觉在通用性方面存在不足,在一些集成应用中无法搭载,一台设备可能只适用于一家厂商或一种行业,导致开发成本过高。而在智能性方面,当库存量单位较高时,或者移动速度较快时,工业视觉在识别准确率上就难以达到要求。

例如在分拣领域,工业视觉已经能够很好地适应小规模和品类较少的固定分拣,但对于复杂堆叠物体的识别和分拣, 依然有 90% 以上通过人工方式完成; 。

◆ 实际应用中视觉检测准确率较低,不可自学习,动态优化

尽管从一些算法的测试结果来看,工业视觉的图像识别准确率已经能够达到极高的水平,但要实现工业上的应用, 还需要保证能够快速完成批量化检测,同时能够适应多样的环境(包括物体表面材质、工厂环境、工作距离等等)。

基于 5G+AI 的工业视觉解决方案的价值

5G+AI 的创新方案有望解决以上机器视觉应用痛点,使得工业视觉能被普适性的推广应用,推动智能工业制造的发展。

在工业领域, 5G 以其特有的大带宽、低时延,以及高可靠等特性,使得无线技术应用于现场设备实时控制、远程维护及操控、工业高清图像处理等工业应用新领域成为可能,同时也为未来柔性产线、柔性车间奠定了基础;同时,5G 与 AI 的结合,更是会带来整个社会生产方式的改变和生产力的提升。

5G+AI 的工业视觉解决方案,通过端 + 5G 网络 + 边缘云 + 云服务的协作,将成为未来智能化工厂标配解决方案, 让工厂质量检查和缺陷识别、设备增加眼睛提升灵活性和零部件高效测量变得简单和高效。具有以下优势：

◆ 实现数据互联互通、动态闭环

通过 5G 网络连接,产线上每个工业视觉应用不再是独立的数据孤岛,带来的价值包括但不局限于以下方面:

a) 工厂中央生产控制系统可以实时获得每个被检测对象的结果、状态,纳入全工厂生产管理系统;

b)云端训练平台能实时获取多个现场端的样本图像, 快速更新及实时部署优化后模型;

c) 实现新检测应用的快速部署及推广, 使能柔性生产; 

d)实现现场设备的云端统一维护监控等。

 ◆ 提升设备标准化、智能化水平

5G+AI 的解决方案通过多点样本的实时获取,在云端统一架构平台上实现推理训练,支持快速的新模型迭代更新,能使得深度学习在工业视觉应用中被广泛推广,普遍提升视觉检测成功率。

◆ 简单、易部署,支持规模应用

 5G+AI 的解决方案中将复杂的样本标注、 图像处理等统一在云端平台实现, 并通过 AI 算法实现智能标注、 智能闭环, 降低系统应用的复杂性,使得工业视觉检测能被应用到更多的生产环节中。

◆ 提升生产效率,减少维护成本

5G+AI 的解决方案能极大的提升生产效率,一方面部分工业应用场景具有移动性诉求:如安装于机械臂的视觉定位相机,因为机械臂的频繁移动而使线缆缠绕损耗严重,需要经常更换,另外如后装视觉应用、不固定部署场景,无线传输的方式都可以很好的解决;

另一方面,工程技术人员可以在云端进行操作维护,无需到到现场即可进行软件更新、设备调测、功能扩展等操作,能大幅降低系统维护成本,提升效率。

◆ 降低视觉规模部署低成本

5G+AI 的工业视觉解决方案中,可以将需要强大软硬件算力支持的计算统一在云端平台实现,并同时支持多类不同应用场景,端侧仅部署标准的图像采集系统,进而降低全系统部署成本;同时,远端维护的方式也可以极大的降低系统的操作维护成本。

白皮书内容预览

便捷下载：本号，后台回复“工业视觉” 就可以获取《5G +AI智能工业视觉解决方案白皮书V1.0》下载链接

下方卡片「AI协同创新智库」，让关键的事情容易做。

为了防止算法埋没错过更新，请通过、收藏、分享、保持与本号的互动率。