智能制造普及前夜，传统企业「闯关」机器视觉( 二 ) 自18世纪60年代以来的三次工业

而由于劳动力有限，每天进行的抽样检测只能随机选择其中的一辆车为样本，这无法真实反映所有车辆的焊缝质量情况。抽样检测的结果对于未被抽样的车辆的焊接质量也并无肯定的说服力。
这导致在人工方案下，焊缝检测的可信度不够且成本很高。
奥迪的工程师们知道这一流程中存在的问题，但找不到更好的方案。
英特尔的机器视觉方案则让奥迪看到了新的可能性。奥迪采用了英特尔的机器视觉技术，并重新设计了生产流程。
该方案从焊枪控制器获取数据，用人工智能模型预测焊接操作时的电压和电流曲线等数据，并与实际曲线对比，在边缘处理后反馈给模型，指示焊枪的下一步行动以提升焊接质量。

文章图片
图英特尔与奥迪合作开发的解决方案
这套方案的效率相较人工方案大幅提升：现在奥迪不再需要抽样检测，而是可以在一天内完成对所有焊缝的检测，这解决了此前人工方案中检测不全面的问题。同时，人力成本也随之下降了30%-50% 。
这套方案还具有更多扩展性：模型中不仅包括了电流和电压数据，还包含了焊缝配置、金属类型和焊条健康状况等数据，不仅可以用来检测焊缝质量，还可以应用到车间的更多流程的优化中。
在英特尔的帮助下，机器视觉顺利的在奥迪得到了应用。但对企业来讲，只是将机器视觉引入到生产中还不够，辅以边缘计算带来的更高效的算力和符合生产实际的人工智能模型，才能够真正发挥机器视觉的作用。
AI与边缘计算造就智能制造「完全体」
在实际生产中，机器视觉、人工智能、边缘计算三者密不可分。
如果说机器视觉是智能制造的“眼睛” ，那么边缘计算和人工智能就是它背后的“视神经” 。
如果在引入机器视觉的同时不能很好的利用边缘计算和人工智能，就无法运用好机器视觉，甚至有可能适得其反。
一家位于天津，全球领先的洗衣机工厂很早就启动了在工业视觉检测领域的探索和研究。
但由于该工厂生产规模大，数据量大，实际操作中经常出现反馈超时问题导致检测失败，使工人不得不执行人工复核程序的情况，反而造成了效率降低，甚至引起积压。
这种情况并不鲜见，在家电行业的工厂转型过程中类似现象时有发生。当企业兴奋的将机器视觉加入生产环节后，却发现效率并没有如预期一样提升。
这是因为以往的视觉检测方案依赖公有云/私有云部署AI检测模型的方式，这样经常会导致网络堵塞。
传统的“云-端”架构中，核心算力远离产生海量数据的终端或边缘，无法让智能化方案真正发挥实力。
要想解决传统“云-端”架构中网络阻塞的问题，引入边缘计算是个好选择。
边缘计算能够让边缘产生的数据在边缘“就近处理” ，而不必全部上传至云端。将“云-端”架构升级为“云-端-网-边”架构。这能够增加数据处理的效率，减轻云端的负载，从而解决网络阻塞的问题。
而英特尔同样也是边缘计算领域的专家。
英特尔基于对边缘的理解和探索，提出了英特尔边缘计算系列产品框架。硬件上，英特尔提供了至强、酷睿等处理器平台，软件上，英特尔则提供了英特尔工业边缘洞见平台（EII）和OpenVINO工具套件。横跨软硬件的生态让英特尔能够为企业提供可行、可靠的解决方案。
比如在刚刚提到的洗衣机工厂例子中，该工厂之后选择部署了中国电信和英特尔深度合作打造的5GMEC边缘云平台的洗衣机面板视觉检测方案。