AI智能检测在工业自动化控制系统中的应用

于 乐，毕心蕊

（1.易讯科技股份有限公司，辽宁沈阳 110168；2.沈阳水务集团有限公司，辽宁沈阳 110000）

计算机技术、数字技术等自问世以来，指明了各行业的发展方向，将整个世界都引入了新的航道。AI智能技术作为其中的重要成果，在很多领域都以应用实践证明了该技术的优势，尤其是在工业自动化控制系统中，可以说AI 智能检测技术逐渐成为了重要的核心技术之一，但仍面临着一些问题影响着技术的应用效果，应结合实践对技术应用方式进行优化和创新，促进系统整体优化。

1 工业控制系统中的AI视觉检测技术

人工智能技术的发展，让原本由人工操作完成的诸多项目实现了机械化替代转型，传统的人工检测判断也出现了机械替代技术，这就是机器视觉检测系统。这个系统由镜头、相机、工控机、执行机构、图像处理系统、检测目标以及光源等组成。具体操作是，利用相机拍摄得到检测目标的清晰图像后向图像处理系统传输，经过检测算法识别检测目标并提取它的主要特征，最终输出所得结果，依据结果完成后续操作。

机器视觉检测的应用范围很广，尤其是工业应用的市场前景非常好，应用范围包括目标检测、识别、定位和测量。

目标检测内容是检测产品配件库存和外观缺陷，目标识别即识别检测目标的颜色或文字等，目标定位包括标签和PCB 加工等定位内容，目标测量包括测量配件尺寸、指针仪表的角度和长度等。机器视觉检测的传统方式为人工作业，这种方式的针对性很好，但是不具备较强的系统鲁棒性。机器视觉检测处理的常用方法有图像的算数和二值化、图像灰度处理、霍夫变换以及滤波算法等。人工智能技术的普及推广，让机器视觉越来越多地开始应用深度学习技术，神经网络就是其中的典型代表。深度学习指的是通过机器对人类的思考行为进行逼真模拟，从而理解并识别直至最终解决那些错综复杂的模式或场景，在图像的分割与分类以及目标检测中应用广泛。

较之传统的机器视觉，深度学习能够利用专业训练完成相关属性的自学成才，无须再进行特征工程，实现高精度的灵活识别。这种技术也有局限性，它要求系统具备极高的计算功能和硬件内存，在硬件配置方面的成本投入非常高，而且，它的开发应用是建立在样本数据的海量采集上面，还要反复实施模型训练才能达到符合技术标准的模型精准度。由此可见，深度学习的技术优势虽然巨大，但是实际应用仍然需要视觉检测的传统方式与深度学习模式的联合应用才能实现作业目标。

利用5G 技术开展相关科技试点调研，目前国内工业领域的视觉检测缺陷很多，有4种主要表现：①一些企业的视觉检测仍然沿用传统的人眼识别，不仅效率低下且时常漏检；②一些企业的视觉检测通过智能化一体相机完成，缺陷是无法应用于规模性检测，单点设备耗资巨大且管理难度较大；③一些企业的视觉检测系统建立在云端基础上，无法保证数据安全，且不能快速响应；④很多企业专业AI 检测人员奇缺，无法构建专业的视觉检测系统。综上所述，工业领域的视觉检测必定会向平台化、场景适应性强的机器视觉检测系统方向发展。互联网技术日新月异，制造业也在大力推进转型升级，在大数据技术、AI 以及5G技术的加持下，工业领域的机器视觉检测技术必将得到更大发展。

2 工业AI视觉检测系统5 G技术条件下的解决方案

工业领域利用5G 技术构建视觉检测系统，主要特点是平台化，且支持数量众多的检测点位的同步检测，利用MEC 和5G 技术联合构建企业的内部局域网，交互现场客户端，打造出企业视觉检测的整体体系，使视觉检测可实现点位和场景众多的同步检测，且实现相关管理工作的智能化。向平台输入算法和算力，数据的分析处理效率提速。AI 视觉检测通过包括普通相机在内的少量现场设备即可完成，不仅单点检测成本大幅降低，部署方式也更加灵活。同时，该系统平台还支持配置检测点位相关能力，检测点位单体稍微调整一下就能完成检测新场景的适配，对类型多样的工业产品做到快速适应检测。5G 技术条件下的工业AI 视觉检测系统，由智能监测平台和现场设备共同构成主体结构。

2.1 现场设备端

现场设备端的所有行为都与企业生产线协调联动，既要触发系统，还要把结果进行及时反馈。它负责采集图像并向服务端传输，再得到最终的处理结果。现场设备端有3个组成成分：①工业相机系统。该系统由工业相机、光源以及镜头等组成，任务是采集现场图像，结合检测要求完成选型和检测点位适配。②现场工控终端。工控机是主体设备，任务是对现场设备和相机系统进行控制，传输图像，下达控制指令，推动现场客户端运行等。③现场设备。由急停开关、显示器、传感器、码枪以及三色灯等组成，任务是检测信号并显示结果，同时兼具系统触发和控制运行等作用。

2.2 智能检测平台架构

视觉检测系统的关键核心是智能检测平台，企业在云端服务器和数据机房均可布置，它的任务是对视觉检测进行全流程处理，具体内容有业务、场景以及算法的管理，编排检测内容，分析检测结果以及算法模型训练等该平台设置有负责统一管理以及状态查询的接口，能对多种检测场景进行适配。该平台通过5G 网络连接检测点位，在应用和检测管理方面达到一个平台对应n个功能的需要。该平台适用于工业企业类型多样的视觉检测需要，服务于上层应用。①基础能力层。利用接口的统一性满足上层基础检测需要。②编排器层。利用编排器组合协调基础能力，封装下层基础检测能力，而且，如果视觉检测有特殊需要，封装后的基础检测可提供解决方案，由此构建的基础检测能力库针对性和功能都很强大。③编排流程库层。它是结合视觉检测的各种类型来编排基础能力，进而达到检测要求。④应用层。在流程编排库内对基础检测能力进行调度使用，确保各项检测的顺利进行，利用输出和输入接口，服务于作业人员和相关设备的检测作业。⑤云计算平台。结合检测需要利用专业适用技术完成上层应用平台的构建和部署。⑥基础设施层。它包含多种计算资源，比如GPU 和CPU 的服务器和GPU 推理单板机等。⑦输入及输出适配器。利用插件化为工业总线协议和主流工业相机通信协议提供支持，有利于迅速对接工装环境。

2.3 关键技术

2.3.1 系统设计平台化

目前企业开展视觉检测多是利用智能相机结合传统方式共同完成。传统方式中的视觉检测单点系统包括相机，光源以及图像采集和处理单元等关键模块，它们在现场的布置方式非常分散，其开发应用多为定制性，针对性很强，对应的检测场景非常单一，整个系统错综复杂且体积过大，系统的日常维护和升级非常困难。智能相机体积微小但是集成化程度非常高，它在视觉检测系统中达到一体化完成采集处理图像和通信，与视觉检测系统的传统方式相比，智能相机可实现灵活多变且方便快捷的现场部署。缺陷是体积过小不具备较强的处理能力，支持简单算法，相机购置耗费资金较多。把5G 技术条件下的AI 系统引入工业视觉检测领域，它的结构设计建立在C/S 基础上，属于一种PaaS 平台，它的后端平台集中了绝大部分智能处理能力，现场终端采集检测点位图像向智能检测平台传输，检测结果可实时获取。该平台内部设置的算法能力多种多样，既有新兴深度学习模型算法，也有机器视觉的传统算法。这种系统的平台化设计为视觉检测提供多场景同步检测服务，还恢复使用了算法能力。

2.3.2 深度学习视觉能力平台

企业构建AI 视觉检测平台的最大困难是专业人才奇缺。在搭建视觉检测平台时，专门引入了以深度学习为基础的视觉检测平台，可执行全套的模型训练流程，服务内容有模型训练、模型发布以及管理，还有样本标注和数据采集管理等。把机器学习的传统方式进行适度延伸，开发出了深度学习，在目标检测和图像识别方面得到大量使用。深度学习模型的类型包括卷积神经网络，代号CNN，堆栈自编码网络，代号SAE，以及深度置信网络，代号DBN。CNN 属于前馈神经网络的一种，它内置卷积计算和深度结构，利用池化和卷积对图像的层次特征进行自动学习；DBN 属于生成类模型，它利用对神经元的相互权重进行训练，促使神经网络在最大概率基础上完成训练数的生成；SAE 近似于DBN，二者的明显区别是SAE 的结构单元属于自编码模型。在图像识别方面，CNN 的应用范围最为广泛，以CNN 视觉检测为基础，生成了很多典型算法，其中目标检测算法有RCNN，YOLO，FastRCNN，SSD以及FastRCNN 等，图像分类算法有LeNet，VGG，AlexNet 以及GoogLeNet 等。上述多种视觉检测算法中的SSD，RetinaNet 以及FastRCNN 等已经在深度学习平台上完成布置，它们的应用范围局限在目标检测场景中。同时，该平台对用户提供模型自训支持，对平台流程执行进行标准化设计，场景各异的视觉检测开发应用得以降低难度，即使非专业人员也可部署、校验以及进行模型训练，快速完成视觉检测新模式的上线进程。

2.3.3 算法能力集成

工业视觉检测具有类型多样且错综复杂的场景应用，检测涵盖的技术难度跨度极大，尺寸检测是最简单的作业，最难的是众多复杂检测目标的快速识别，所以，算法能力的选型还须结合场景需要来确定，要把视觉检测中的深度学习与传统方法综合利用。同时，该平台在视觉检测算法方面设置有能力库，这个能力库是开放性质的，还具有继续扩展的性能，同时平台还为第三方算法能力提供集成支持，包括深度学习、Halcon 以及OpenCV 等的视觉检测能力库等。而且平台为用户提供的接口能力单元非常标准，可把以前使用的视觉检测算法向平台移植后继续使用。

2.3.4 能力编排引擎

视觉检测系统具备的关键核心能力就包括能力编排引擎，面对场景需要的多样化，用户可利用能力编排引擎实现编排开发的可视化，对各种检测的新场景进行视觉检测的流程以及算法的编排适配，满足新场景下的视觉检测要求。

2.3.5 利用5G＋MEC网络制定承载方案

企业生产数据要求严密的安全保护，限制在园区内部流通，要达到这一目标，需要构建5G 与MEC联合支持的内部网络，①通过5G 网络连接相关设备，确保数据传输安全；②通过对MEC 本地分流功能的合理利用，机密数据向本地视觉检测平台分流并确保限制在厂区，提升安全保护效果，而且本地分流还能使端间通信避免延时，实现系统的快速响应。

2.4 应用效果

在5G 网络基础上构建AI 工业视觉检测系统，把视觉检测与MEC，5G 以及AI 实现了完美融合，使视觉检测系统实现了智能化与平台化，视觉检测得以多场景同步检测。与目前企业使用的昂贵、不易管理以及功能单一的视觉检测系统相比，新开发的视觉检测系统成本不高，支持大规模部署，而且该系统可构建算法的集成主流库，有极强的算法能力和管理能力，支持大数据技术展开检测流程与结果分析，同时它的操作流程非常标准，向非专业人员开放门槛。这个系统应用于工业视觉检测，对智能化水平的提升大有裨益，企业运行效率上升，节约人力资源，加速向智能化数字化转型升级。

3 价值分析

3.1 产品自身价值

（1）成本层面。与目前使用的视觉检测系统相比，智能工业相机和系统的平台化，这种系统极大节省了现场硬件配置，且算力极强，企业进行规模化部署时可节约大量成本投资，检测场景批量部署起来更加迅速。

（2）算法层面。系统的平台化支持高强度高复杂性的算法能力，维护作业简便易行，有极强的扩展空间，检测与识别的精准度和效率大幅提升。

（3）使用层面。系统编排引擎和模型训练降低了难度，非专业人员也可迅速完成场景部署。

（4）管理层面。系统的平台化可同步接入众多检测场景，达到场景管理的精细化目标，有效规避了数据孤岛的出现，企业可从整体上分析和管控数据，生产工艺大幅提高。

3.2 产品工业应用价值

在5G 网络基础上构建的AI 工业视觉检测系统，企业可从中获取视觉检测的端间解决方案，可接入视觉检测的全部场景，构建监管体系，视觉检测向智能化的高效低耗资方向发展，产品质量和生产效率稳步提升，成本下降使经济收益明显增长。而且，构建的5G 与NEC 联合企业内部网络系统负责处理企业数据，使5G 网络与企业生产协调发展，业务点得以扩张，适宜大面积地复制和推广。

4 结语

科技为工业发展提供源源不断的推助力，在AI智能技术的催化下，多种行业都迎来了新机遇，但新的道路并不总是平坦的。目前在我国的自动化控制系统建设中，已经逐步开发AI 智能检测技术，但相比国外先进水平仍有距离。相关企业应当加大资金人才投入力度，以实践为基础，探索人工智能与自动化的深度结合，促进工业健康发展。