边缘计算：智能制造的“带刀侍卫” 互联网大厂单双周假期变更能

互联网大厂单双周假期变更能上热搜，但很多更繁重的工作却乏人关注。电子设备的质检工，通常每天要完成1万多个零件的人眼检测，平均每分钟检测十几个产品，连续工作超10个小时并不鲜见。

文章图片
高负荷导致工人精力跟不上，出现漏检、错检在所难免。如何缓解质检工的工作压力、提升制造企业的产品品质，成为亟待解决的难题。
浪潮携手思谋科技，基于深度学习算法打造边缘工业智能质检解决方案，通过实时读取质检图片，对瑕疵产品进行推理、定位，即时给出缺陷类型、大小和处理建议。同时，这些数据还会反馈到云端，进一步优化AI质检模型算法。

文章图片
据《IT创事记》了解，这一解决方案已应用于钢铁、3C电子、汽车等行业的智能工厂，缺陷检出率从原来的90%提升到99% ，不放过每一个缺陷，过检率≤3% ，不会造成大量的“错杀” ，同时日均处理产品件数大幅提升，对产品品质控制和生产效率优化助益显著。
边缘计算在智能制造中的角色，类似于古时的御前带刀侍卫。巡逻、查夜、看守库房是带刀侍卫的日常职责，危急时刻作为“人肉盾牌”保护圣驾更是责无旁贷；边缘计算就像智能制造的贴身侍卫，用火眼金睛发现问题、监控环境，以顺风耳实现与云端的协同，遇到突发状况也会挺身而出，为智能制造的平稳运行保驾护航。
智能制造面临多元挑战
基于中商产业研究院的数据， 2020年中国智能制造装备产值规模达20900亿元。制造业景气度整体维持在高位，为智能制造的快速发展奠定了坚实基础。
与欧美发达国家相比，我国智能制造还有相当大的发展空间。亿欧智库的调研显示：当前90%的制造业企业配有自动生产线，但仅有40%实现数字化管理， 5%打通工厂数据， 1%使用智能化技术。预计到2025年，数字化、网络化、智能化制造企业占比将分别达到70%、30%、10% 。
智能制造的未来是星辰大海，但脚下的路却并不平坦。
首先要面临复杂多元算力的挑战。伴随深度学习不断发展，分类算法AlexNet分析224×224大小的图像需要720FLOPS ，使用工控机处理需要1秒左右；而实际生产中常使用的ResNet50视频处理的计算量是AlexNet的数十倍，复杂度越来越高，算力结构性缺口日益凸显。
其次是巨量数据贯通的障碍。从2015年迄今，国内机器人装机量从25万台猛增到100万台，数控机床、PLC的市场规模从1400亿增长到2000多亿，系统平台从以人为核心的ERP、CRM扩展到以物为核心的IIOT、MES、PLM等。智能化装备、各类生产线以及跨领域系统平台的巨量涌现，让工厂的数据量呈指数级增长，海量数据的贯通和深度挖掘计算成为难题。
此外，高并发实时处理的需求激增也带来困扰。智能制造过程广泛使用装配机器人，对智能机器人的目标识别、轨迹规划的计算实时性、复杂性提出了更高要求。工业现场单个摄像头每天会产生约330G的视频数据，完全传输至云端不仅占用带宽，亦难以满足实时性（毫秒级）的业务需求。
边缘计算生逢其时
应对智能制造面临的多元挑战，需要系统性的解决方案，而边缘计算也许是分量最重的利器。

文章图片
浪潮边缘计算产品
国际知名调研机构IDC将企业数字化成熟度划分为入门者、探索者、组织者、转型者、颠覆者5个阶段，目前中国制造企业数字化转型总体处在中间阶段，第四、五阶段的占比很低。人工智能、物联网等技术在制造行业应用落地过程中，企业迫切需要边缘侧强大的算力支持智能制造发展，而这正是国内市场最明显的短板。