2023年AI视觉赋能智造白皮书.pdf
《2023年AI视觉赋能智造白皮书.pdf》由会员分享,可在线阅读,更多相关《2023年AI视觉赋能智造白皮书.pdf(50页珍藏版)》请在咨信网上搜索。
1、AI 视觉赋能智造白皮书AI 视觉赋能智造白皮书工业互联网产业联盟(AII)2023 年 11 月工业互联网产业联盟(AII)2023 年 11 月前言前言当前,全球新一轮科技和产业革命蓬勃兴起,对制造业的生产方式、商业模式和产品形态带来深刻影响,以智能制造为核心的制造革命尤为突出。一方面带动众多新技术、新产品、新装备快速发展,催生出一大批新应用新模式,驱动新兴产业快速成长,另一方面,智能制造帮助传统产业实现生产制造与市场多样化需求之间的动态匹配,减少消耗、提高品质,大幅提高劳动生产率。依托智能制造推动传统产业转型升级,重塑制造业竞争新优势,已成全球普遍共识。以人工智能为代表的新一代使能技术创
2、新和应用正进入空前密集活跃期,通过工业知识和数据科学的紧密结合,大幅提升对问题的洞察与预判能力,为设计、生产、管理、服务等环节的优化提供智能化决策支撑,不断拓展智能制造发展空间。可以说,AI+智能制造已经成为制造业乃至产业升级的主战场。白皮书以“视觉赋能,智引未来”为主线,分析了 AI 赋能智能制造的核心作用、典型模式与场景,以视觉类应用为切入点,系统梳理工业视觉的发展历程、核心技术路径与应用场景,分析产业实施的问题痛点,以深度学习技术路径中的实际案例指明 AI 视觉方案架构与落地可行的具体模式,并提出未来工业视觉及 AI 智造深入推广的建议,以期能与业内同仁共享成果,并对产业实践贡献微薄力量
3、。牵头编写单位:中国信息通信研究院华为技术有限公司参与编写单位:百度在线网络技术(北京)有限公司中国科学院自动化研究所羚羊工业互联网股份有限公司深圳市信润富联数字科技有限公司河北工业大学中国电信研究院树根互联股份有限公司凌云光技术股份有限公司美云智数科技有限公司谷斗科技(上海)有限公司卡奥斯物联科技股份有限公司中移(上海)信息通信科技有限公司IBM(国际商业机器(中国)有限公司)腾讯科技(深圳)有限公司新华三技术有限公司中工互联(北京)科技集团有限公司工业互联网产业联盟公众号目录目录一、AI 赋能“智”造落地.1(一)新产业革命与数字化浪潮交汇,焕发智能制造新活力.1(二)AI 是智能制造的关
4、键支撑.2(三)AI+智能制造的主要模式与场景.3二、工业视觉为智能制造打开“新世界”.8(一)工业视觉发展历程.8(二)工业视觉应用场景.13(三)典型行业应用案例.17三、AI 视觉解决方案与实施.26(一)以深度学习为核心路径的 AI 视觉解决方案部署实施需求.26(二)AI 视觉方案技术架构.30(三)AI 视觉方案部署.36(四)AI 视觉赋能产业转型升级典型案例.38四、挑战与建议.44(一)问题与挑战.44(二)推进建议.45 1 一、AI 赋能“智”造落地(一)新产业革命与数字化浪潮交汇,焕发智能制造新活力(一)新产业革命与数字化浪潮交汇,焕发智能制造新活力人工智能技术开始买入
5、新阶段。世界科技发展处于快速进步之中,信息通信、先进制造、新材料和新能源等技术的创新加速和交叉融合爆发了新力量,人工智能是引领未来的新兴战略性技术,是驱动新一轮科技革命和产业变革的重要力量。自 1956 年诞生以来,相关理论和技术持续演进,直到近十年,得益于深度学习等算法的突破、算力的提升及数据积累,人工智能得以实现从实验室向产业实践的转变。尤其,通用人工智能是引领新一轮科技革命和产业变革的战略性技术,正以大模型为先导加速向经济社会全面渗透融合,与我国新型工业化进程历史性交汇,孕育制造业转型升级的新手段、经济高质量发展的新引擎、抢占全球竞争制高点的新机遇。智能制造加速融合创新,共性赋能技术体系
6、逐步形成。智能制造赋能技术体系包括 OT 技术、ICT 技术和融合类技术。OT 技术聚焦智能升级,通过数字传感器技术与数字控制等传统技术在 ICT 赋能下逐渐迈向智能化;工业互联网平台等 ICT 技术正成为智能工厂建设的重要基础设施,部分工厂也已经开始探索构建 5G 网络等基建的落地应用;融合类技术重点围绕故障诊断、视觉识别等应用进行创新突破,聚焦典型制造场景的数据挖掘是当前智能制造示范工厂建设关注的重点技术领域。其中,大数据分析、视觉识别等人工智能技术已经成为智能制造赋能技术体系中 2 探索最活跃、最核心的领域。据中国信通院对近年智能制造示范工厂案例统计表明,AI 技术应用占比近 15%,成
7、为赋能技术体系中最关键的技术族之一。(二)AI 是智能制造的关键支撑(二)AI 是智能制造的关键支撑AI 与制造业加速融合,引发多方面变革。一是变革技术产品研发方式。人工智能有效利用产品研发过程中的历史数据,迅速开发出性能强悍的产品,还通过对各类物理、化学特性与生产指标的对应关系进行建模,优化加工流程与参数,实现工艺创新。二是提升企业生产全环节质量与效率。人工智能基于“数据+知识”跨越传统工艺机理依赖实现创新优化,通过智能分析确保生产核心要素处于最优状态,打通企业上下游数据,实现全流程的资源协同与系统性提升。三是加速变革企业资源组织模式。通过各类制造要素的全面数字化和联网化,实现产能、设计、技
8、术、金融、物流及配套服务等资源的网络化集聚和基于 AI 的动态优化配置。四是构建新型服务与商业模式。通过对设备或产品运行数据开展智能分析,向用户提供增值服务,同时创造大量新需求和新盈利模式,带动产业智能化升级。此外,大模型成为深度学习、知识图谱、NLP 等技术融合底座,整合工业多模态数据,全面提升感知与决策能力。“AI+智能制造”推动产业创新升级。装备领域通过叠加人工智能技术,实现加工误差补偿、自动化编程等应用创新,并利用 AI 预测生产过程状态,自动调整装备参数,提高生产制造装备实施运行优化能力,实现产品形态变革与价值创新;自动化与工业控制系统聚焦边缘侧开展数据复杂分析,实现融合 AI 技术
9、的工业边缘平台,能够提供对设备性能、运行时间的实时分析及异常操作排查等功能,不断拓展边缘系统/平台智 3 能化能力,实现过程监测优化与运维分析;平台与工业软件基于 AI 技术不断深化创成式设计、生产管控、流程智能自动化等细分领域的智能化水平,并逐步提升解决小数据、实时性等痛点问题的能力。未来随着大模型的逐步融入,与新型控制、网络、边缘计算等技术融合创新,有望推动制造业支撑产业体系逐步走向灵活开放、智能协同的新模式。(三)(三)AI+智能制造的主要模式与场景智能制造的主要模式与场景AI 概念诞生至今已有 60 余年历史,从最初的专家系统到当前主流的深度学习、大模型等技术,AI 智造的应用场景种类
10、不断增多、覆盖范围不断扩大、智能化特征不断增强。目前,AI 已经在制造业研发、生产、管理、服务等全环节全领域均形成了典型应用场景,总体来看主要形成感知识别、建模优化和推理决策三类应用模式以及九大核心场景,近百个细分场景的应用体系。图 1-2:AI+智能制造主要应用模式与场景 4 1.感知识别应用:当前推进热点与焦点感知识别应用以 AI 视觉算法技术、语音识别等为核心,尤其 AI 视觉是当前应用成熟度最高、范围最广的模式,主要聚焦生产管理环节形成典型应用。一是以产品质量为核心的生产结果检测。主要面向在制品质量管理环节,包括表面缺陷检测、组装防错检查、零件错漏检测等细分场景。二是以生产作业为核心的
11、生产过程监测。主要面向车间内部产线环节,包括零件抓取/分拣、生产组装、视觉焊接/装配、表计数据读取、产线运行情况检测等细分场景。三是以安全为核心的资源状态监测。主要面向人员、车间环境、厂区和设备等对象,实现安全生产与管理,包括员工安全帽识别、园区越界/闯入识别、车间明火/烟雾等安全情况识别、设备运行情况监测等细分场景。图 1-3:AI+智能制造视觉核心应用场景视觉应用能够成为工业领域的应用热点与焦点主要有几方面原因:一是视觉类应用的成效较为直观显著,投入产出率和投资回报周期相对清晰,具有较高的“性价比”;二是视觉类应用实施相对独立,由于原始视觉数据大,不便直接接入工厂管理系统,必须在视觉采集端
12、完成实 5 时处理,只有表征最终结果的少量特征信息才有必要接入工厂管理系统;三是图像相关技术及行业通用性强,有专用的模型(如 CNN)。四是工业图像、视频等数据获得性相对较强,具备 AI 赋能的基础条件。据中国信通院统计,在所有工业 AI 应用场景中,视觉类应用规模占比近半,成为当前应用最为广泛成熟的模式。2.建模优化应用:场景最多,覆盖最广建模优化应用的技术核心是以数据驱动的建模优化,已覆盖工业全环节实现典型应用。一是智能驱动的研发创新。通过 AI 数据分析,全面变革传统依赖人工经验和重复试验的研发模式,加速创新周期、减少创新成本,甚至能够在此基础上建立超越传统认知边界的创新能力。二是生产管
13、理重点环节的分析优化。通过全面感知和智能分析,进一步对现有工艺、物料、质量、能耗、安全等进行智能优化,是当前 AI+智能制造领域集中度最高的场景。三是设备产品的控制与运维。面向各类现场装备和产品,基于 AI 提升实现装备产品的智能分析、预测与优化功能,提供智能化运维服务。四是基于数据驱动的服务与商业模式变革。通过大数据分析,能够向用户提供个性化多元化增值服务模式,甚至实现现有商业模式的变革创新,全面拓展价值空间。6 图 1-4:AI+智能制造数据建模分析核心应用场景此类应用模式占据了大半 AI+智能制造的场景,且几乎覆盖了工业全环节全领域。随着工业数据规模不断增长,为数据建模寻优类应用提供了很
14、好的基础条件;此外,深度学习、迁移学习等各类算法技术持续创新,数据挖掘分析能力也在不断提升,数据寻优类模式将发挥更大赋能作用。3.推理决策应用:起步最早,潜力最大推理决策应用以知识工程为核心技术,知识累积门槛和场景价值化成为应用推进的关键条件,已从形成两类典型推进路径。一是基于规则的诊断推理。通过“规则一切可以规则化的经验”,把领域专家、工人 7 的行业经验或者已有决策流程固化下来,是人工智能在工业应用最早的技术,通常解决设备、生产等车间内部简单的控制决策类问题。二是基于知识图谱的决策与检索。通过全面梳理汇总与任务相关的工业知识、常识、各类对象关系等,形成工业级知识图谱,目前已在工业设计、故障
15、诊断与溯源领域、供应链管理等复杂管理决策类场景有部分应用。图 1-5:AI+智能制造经验知识决策核心应用场景虽然当前经验知识推理决策类应用匮乏,尤其工业知识图谱的构建成本高、应用场景尚不清晰,目前此类模式应用占比不足 10%。但随着工业机理知识的累积沉淀与认知推理相关理论的突破,知识图谱等技术与深度学习技术不断走向融合,未来必将成为工业真正实现智能化的有力工具。人工智能赋能智能制造的潜力和空间巨大,视觉领域 AI+智能制造增速较快,已处于爆发拐点。据埃森哲统计,到 2035 年,人工智能技术的应用将使制造业总增长值(GVA)增长近 4 万亿美元,年度增长率达到4.4%。此外,智能制造企业对 A
16、I 表现出较高的认可度和关注度,根据 8 Capgemini 对 806 家企业的调研结果显示,全球超 60%的智能制造企业认为 AI、5G 等新技术将成为数字化转型的关键支撑因素,66%的企业意识到机器学习、高级数据分析等 AI 技术能够起到关键作用;IDC 和微软对亚太地区主要制造业进行调查后发现,76%的制造业企业领导者认为 AI将在未来三年内帮助企业提升竞争力。工业视觉作为 AI+智能制造的热点和焦点,其覆盖领域广泛,主要集中在 3C 电子、锂电池、纺织轻工业、汽车、半导体等行业,需求增速不断上涨;同时,工业视觉产业持续创新发展,预计近五年复合增速为 25%,国产化替代率均值已达 50
17、%。基于此,白皮书将聚焦制造业的感知识别应用中的 AI 视觉做重点分析。二、工业视觉为智能制造打开“新视界”(一)工业视觉发展历程(一)工业视觉发展历程1.概述工业视觉(或机器视觉)是利用具有空间位置分辨能力的“光信号”进行的非接触测量与判断,并产生控制动作的系统。工业视觉概念始于20 世纪 50 年代,是人工智能正在快速发展的一个分支,涉及计算机科学、机械、图像处理、模式识别等诸多领域的综合技术,被誉为“工业之眼”。根据美国制造工程师协会(SME)机器视觉分会以及美国机器人工业协会(RIA)自动化视觉分会的定义,工业视觉是通过光学的装置和非接触的传感器,自动地接收和处理一个真实物体的图像,以
18、获得所需信息或用于控制机器人运动的装置。一个典型的工业视觉应用系统通常 9 包括图像捕捉、光源系统、图像数字化模块、数字图像处理模块、智能判断决策模块和机械控制执行模块。工业视觉具有极大的发展潜力。在智能制造的浪潮下,生产线对工业设备提出了新要求,“智能工厂”已经成为一个愈加流行的术语。智能工厂对生产自动化、工作效率、安全生产、产品质量等均提出了更高的要求,而工业视觉作为智能工厂的“眼睛”,不仅能够模仿人类视觉能力,还能对所“见”物体展开精准测量与定位等高级操作,实现对质检、安防等工业核心环节的检测能力综合提升,最大限度降低人工成本,已广泛应用于产品质量检测、生产安全防护、零部件分拣、人机协作
19、等关键工业场景,为智能工厂打开“新视域”。据中国信通院对 2021 年智能制造试点示范工厂典型应用场景统计表明,生产作业与质量管控成为占比最高的两个应用场景,占比超 35%。其中,在近 50 个细分应用领域中,基于工业视觉的智能在线检测位居榜首,占比近 8%。同时,工业视觉的市场规模也逐步扩大,据中国机器视觉产业联盟统计预测,到2026 年我国市场规模将突破 543 亿,正逐步成为世界工业视觉发展最活跃的地区之一。2.技术路径:由数字视觉到 AI 视觉随着工业数据规模提升、人工智能算法突破,工业视觉技术不断向更复杂的工业场景实现应用创新。同时,以深度学习为核心的前沿算法技术加速与机器视觉融合,
20、推动工业视觉由数字视觉向 AI 视觉不断演进,当前共形成四个相对清晰的技术路径。一是基于传统模式识别的数字图像处理技术路径。该技术路径主要依赖数学理论与人工经验,通常包含图像特征提取和模板匹配等环节。10 图像特征提取通过基于颜色、纹理、形状等特征的识别得到图像的“特征信息”表示或描述,特征提取的精度对后续特征点匹配精度、模板匹配精度等方面均有影响;模板匹配是对某一特定对象物体的图案或轮廓位于图像的位置进行判断,通过与参考模板进行对比进而识别对象物体。基于模式识别的机器视觉技术可以完成 95%以上的产品表面缺陷检测和量测任务,算法简单可快速应用。但该方法同时具有一定的局限性,无法实现自动提取特
21、征,且只适用于轮廓清晰、缺陷单一的产品,并不适用于背景复杂的产品。该技术适用于工业大批量生产的场景,这些场景中背景相对固定且简单,需要快速完成检测任务。二是基于传统机器学习的路径。机器学习能从一些样本数据中得出不能通过原理分析总结出的规律。通常采用支持向量机、决策树、浅层神经网络等分类能力较强的算法,常应用于印刷品、食品等缺陷检测场景。基于传统机器学习的方法首先需要人工分析图像特征,再通过图像算法对特性进行提取,最后通过机器学习中的分类器基于图像的数字化特征对其进行标签分类。在该过程中,只需少量典型类别的图像与各个类别间的临界图像即可完成分类任务,但人工特征分析仍在该过程中占主导地位。该技术路
22、径在只有“好品”与“缺陷品”的二分类任务中表现良好,对于多类型缺陷的判断并不能发挥其性能。此外,该路径是基于人工分析所得到的显性特征进行缺陷类型判断的,需要专家知识作为支撑,且所考察的特征不够抽象深入,因此自适应性和泛化性较弱。但其鲁棒性较好、部署速度较快,适合于较为简单场景下的检测任务。11 三是基于深度学习的路径(AI 视觉)。深度学习是机器学习的重要技术分支,可以形成更抽象的高级属性类别或特征,通过采集大量图片后进行标注,再把图片放入网络训练并调节参数和网络结构,再次训练后得到最好的分析结果。基于深度学习的检测方法因具有检测效率高、学习能力强、自动化程度高等特点,广泛应用于生产过程中人员
23、安全、多种产品缺陷检测等场景,因其能够很好的解决复杂特征刻画问题,使手工特征的研究大大减少。典型的深度学习网络有:卷积神经网络,可以从输入的数据中学习到抽象的本质的特征信息,对高维数据有较强学习能力,但计算复杂度随网络层数增加而急剧增加;深度置信网络,有较强的扩展性,适合对图像进行多分类、识别处理,但较为依赖专家经验;全卷积网络,可以接收任意尺寸的图像且可对其进行像素级分割,在此基础上获得高层语义先验知识矩阵,但对图像的细节信息不敏感且收敛较慢;Transformer结构,在训练效率、图像分类、分割等任务中取得优异效果,正在成为学习序列数据(包括文本、图像和时间序列数据)的通用框架。深度学习方
24、法适用于复杂缺陷检测、更智能的图像识别场景,但除了需要结合专家知识选择更适合的算法模型与调整网络参数外,还需要大量训练数据才能更好地发挥其优势。四是前沿机器学习技术路径。基于图像处理、机器学习算法往往能够解决相对简单或具有较大数据量的视觉问题,而面对数据样本不足甚至缺乏、未知缺陷等各类复杂情况时,应用小样本学习、零样本学习、元学习、SAM 分割等新型机器学习技术能够在一定程度上解决稀疏样本条件下对零星缺陷、故障等识别问题。12 除了上述在指定任务空间内的样本稀缺问题解决方法外,许多学者将跨任务的迁移学习应用到机器视觉的深度学习训练中,进一步提升了检测系统的性能,使得面对同时缺乏数据和机理的情况
25、时,也能较好地解决其冷启动问题。3.发展趋势一是强化小目标检测精度。在工业生产现场,基于视觉感知进行缺陷检测、人员识别、安全帽检测等应用场景,常面临因距离远、背景大、遮挡多等因素导致的微小目标挑战。通过在深度学习基础上叠加数据增强、多尺度学习等技术策略,能够提升工业视觉模型对小目标检测的精度。未来,工业复杂环境将对小目标检测精度提出更高的要求,不断驱动解决小目标问题的技术创新。二是提升对未知长尾目标的识别能力。基于工业视觉技术进行识别、检测、引导和测量等应用时,随着产线迁移、产品工艺升级等变化,往往会产生与预期检测目标不符的对象,如新缺陷识别、未知物件抓取等。通过零样本学习、无监督/半监督学习
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 2023 AI 视觉 赋能智造 白皮书
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【Stan****Shan】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【Stan****Shan】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。