如何在边缘使用机器学习提高生产线质量

工业4.0鼓励制造业使用机器学习、人工智能、云计算和工业物联网技术来改进工业流程、产品质量，并降低成本和上市时间。

机器学习算法作为OEM的智能决策支持系统，适用于各种制造应用，例如：预测性维护、产品质量控制改进、机器异常检测、生产线监控、供应链管理等。

智能工厂和仓库通过连接的设备和分布式基础设施不断收集和共享海量数据。使用复杂的机器学习算法分析大量数据需要强大的计算能力。现有的本地和集中式云基础设施是有能力的，但它们在延迟、巨大的带宽消耗、安全相关问题等方面有其自身的局限性。一些智能工业应用程序需要低延迟才能实时访问数据。为了减少延迟和带宽使用，边缘机器学习是解决方案。

智能工厂边缘的机器学习

边缘机器学习是一种技术，可以使用机器学习或深度学习算法在设备级别或网络“边缘”的本地基础设施进行数据处理，从而减少对云网络的依赖。边缘计算允许在边缘运行计算密集型机器学习算法。这有助于生成更多实时分析，因此，现在可以为各个行业提供各种类型的应用程序。

  在大多数情况下，机器学习模型是在 Tensorflow、Keras、Caffe 等框架中编程的。使用这些框架，编程模型在计算机系统（PC 或笔记本电脑）等高端平台或 Microsoft Azure 等云平台上进行训练，谷歌云、亚马逊AWS等。一旦模型被训练，它就会被保存并部署在云平台上，或者更多相关的嵌入式平台上进行实时推理（预测），比如基于NXP IMX8M的设备。

人工智能或机器学习，尤其是边缘机器学习，已经成为推动工业4.0发展的重要技术。在智能工厂中，提高产品质量发挥着非常重要的作用。

机器学习模型在各种制造操作中的应用

表面检查：对于电子制造，表面检查包括焊点检查、完整性检查、连接器引脚检查、外观外壳检查等。

纹理检查：在不同类型的物体中，它们的质量反映在它们的表面纹理上。因此，基于视觉的纹理检测在决定物体质量方面起着重要作用。在胶合板制造中，木材是原材料。木材中存在的结会削弱木材并增加断裂的可能性。这种弱点取决于它的大小、位置、数量和状况。使用基于深度学习的视觉模型，可以检测、计算木材中是否存在结节并测量其大小。

缺陷检测：有许多示例表明基于视觉的算法可用于检测产品中的缺陷。例如，在药品制造中，基于视觉的模型可以帮助检测各种缺陷，例如颜色偏差、胶囊中的凹痕或孔洞、不规则的形状或损坏的边缘或药丸的裂缝等。它可以识别生产中的异物线。

随着半导体技术的进步，可以在边缘平台上部署这些计算量大的算法。通过在各种SoC 中集成图形处理单元、数字信号处理、神经处理单元，可以在低功耗、低成本平台上实现实时性能。

智能工厂如何确保产品质量？

在保持智能工厂生产的产品质量方面发挥非常重要作用的一些关键因素是：

机器的一致操作

为了使制造产品的质量始终如一，重要的是所有机器都在最佳状态下以最高效率和最短停机时间运行。基于机器学习的预测性维护使用异常检测等各种技术来早期识别机器故障并及时维护。监控各种物理参数，即振动、噪音、温度、电力消耗等，并根据它们的异常行为预测维护。

对于制造商而言，预测性维护改变了游戏规则。它可以帮助他们为智能制造做出数据驱动的决策。借助各种低成本、低功耗的 MCU，这可以以非常具有成本效益的方式部署在工厂中。传感器为各种物理属性生成大量数据，将所有这些原始数据发送到云端以用于机器学习用例是不切实际的。利用边缘设备的处理能力非常重要。

过程质量控制

在传统的制造过程中，视觉检查和质量控制相关活动由人工负责。人工检查产品质量可能不准确。这会导致产品有缺陷、缺乏合规性和收入损失。为了克服这个问题，基于视觉的深度学习模型被用于智能工厂。

基于视觉的深度学习模型分类如下：

图像分类：识别图像中物体的存在，即木材、药物、水果/蔬菜等。

对象定位：在识别对象的同时，确定边界框以定位对象在图像中的确切位置。

语义分割：这是指将图像的每个像素链接到特定的类标签。

实例分割：与语义分割非常相似，但它处理的是同一类的多个对象。

机器学习模型准备改变制造业，使用图像分类来监控装配线上的机器磨损，对在制品和成品进行质量检查。