基于5G和人工智能技術的產品質量實時檢測和優(yōu)化方案

中國聯(lián)通網絡技術研究院

網絡改造技術篇/前沿技術/工廠內網改造

1 概述

1.1 背景

產品質量是企業(yè)的生命，如何提高產品質量的檢測效率和檢測精度是企業(yè)一直關注的重點。當前產品質量缺陷的檢測技術（例如汽車零部件齒輪軸等的檢測）主要依賴于將產品檢測圖像與預定義的缺陷類型庫進行對比分析，這種方法缺乏一定的學習能力和檢測彈性，導致檢測精度和效率低下，增加了企業(yè)生產和運營成本。

1.2 實施目標

基于5G和人工智能技術的產品質量實時檢測和優(yōu)化方案通過機器視覺、5G蜂窩無線、人工智能、邊緣計算等技術結合，實現(xiàn)了產品質量的實時高精度檢測，通過工業(yè)云平臺實現(xiàn)檢測模型的迭代提高和共享。

1.3 適用范圍

本方案的使用的工業(yè)場景為：在滿足工業(yè)實時性和安全性的基礎上利用機器視覺提高檢測效率和精度的工業(yè)場景，優(yōu)先推薦在汽車零部件加工企業(yè)中推廣。

1.4 在工業(yè)互聯(lián)網網絡體系架構中的位置

本方案在AII工業(yè)互聯(lián)網體系架構中的位置包括智能工廠內部及工業(yè)云平臺，服務企業(yè)的智能生產任務，通過邊云協(xié)同，采用機器視覺、5G蜂窩無線、人工智能、邊緣計算等新技術，實現(xiàn)產品實時在線高精度檢測，并通過工業(yè)云平臺實現(xiàn)檢測模型的迭代提高和共享。

參考下圖，本方案對應AII工業(yè)互聯(lián)網體系架構圖中的位置、作用及相關關系如下：

? 在工廠內部，通過工業(yè)相機和蜂窩網絡實現(xiàn)在制品的實時圖像采集，并將數(shù)據(jù)上傳到邊緣云平臺，對應圖1中的③在制品與工廠云平臺（及管理軟件）；

? 圖像實時處理和分析AI算法部署在邊緣云上，進行產品圖像質量數(shù)據(jù)的實時分析；此外邊緣云還負責將歷史數(shù)據(jù)傳送到中心云服務器?；趶倪吘壴偏@得數(shù)據(jù)，中心云負責AI模型訓練、更新AI模型算法參數(shù)，并將AI模型算法參數(shù)同步至邊緣云，實現(xiàn)邊緣云質量檢測算法的自我進化，對應圖1中⑦工廠云平臺與協(xié)作平臺；

? 圖像數(shù)據(jù)在邊緣云實時處理分析后，判斷產品是否合格，經過工廠控制系統(tǒng)和智能機器，完成殘次品的剔除，對應⑤①②，控制指令從工廠云平臺到智能機器、在制品之間的傳輸。

圖1 工業(yè)互聯(lián)網互聯(lián)示意圖

此外，本方案還可支持AII參考體系架構（如下圖所示）演進：

圖2 AII參考體系架構

數(shù)據(jù)域數(shù)據(jù)采集交換：

? 試驗蜂窩網絡對于準實時圖像數(shù)據(jù)采集、分析的支持；

? MEC邊緣云與工控機的業(yè)務協(xié)同。

? 數(shù)據(jù)域工業(yè)數(shù)據(jù)建模、仿真與分析：

? 采用機器學習對工業(yè)圖像分析算法進行改進，試驗多種機器學習模型；

? 試驗將準實時圖像分析算法部署在MEC邊緣云上，將機器學習模塊部署在中心云。

網絡域應用支撐：

? 試驗物聯(lián)網設備管理平臺在5G MEC邊緣云上的部署以支撐低延時高可靠工業(yè)應用；

? 試驗物聯(lián)網設備管理平臺對圖像類準實時數(shù)據(jù)識別算法的支持。

安全域數(shù)據(jù)安全和控制安全：

? 實時數(shù)據(jù)在網絡邊緣側完成分析處理，避免了回傳到核心網，相比傳統(tǒng)中心云處理方式，數(shù)據(jù)安全性得到有效保障；

? 網絡邊緣側由于更貼近萬物互聯(lián)的設備，控制指令從邊緣服務器發(fā)出，提高了控制安全性。

2 需求分析

當前，中國制造產品質量與國際品牌仍存在不小差距，其中一個主要因素就是中國工業(yè)產品的質檢問題沒有達到國際一流水平。我國現(xiàn)階段工業(yè)品的質量檢測基于傳統(tǒng)人工檢測手段，稍微先進一點的檢測方法，將待檢測產品與預定缺陷類型庫進行比較，上述方法的檢測精度和檢測效率均無法滿足現(xiàn)階段高質量生產的要求。例如，在汽車零部件中，齒輪軸和萬向節(jié)的質量對車輛運行安全性和持久性有很大影響，當前檢測技術主要依賴于將產品檢測圖像與預定義的缺陷類型庫進行對比分析，缺乏一定的學習能力和檢測彈性，從而導致檢測精度和效率較低。

圖3 齒輪軸               圖4 萬向節(jié)

要改變這種現(xiàn)狀，必須對現(xiàn)有檢測模式進行升級，將智能化自動質檢設備大面積運用在制造業(yè)產品檢測中，提高檢測效率和精度。

3 解決方案

3.1 方案介紹

產品質量是企業(yè)的生命線，如何提高產品質量的檢測效率和精度是企業(yè)一直關注的重點。當前產品質量缺陷檢測技術主要依賴于將產品檢測圖像與預定義的缺陷類型庫進行對比分析，缺乏一定的學習能力和檢測彈性，檢測精度和效率較低。本方案通過機器視覺、5G蜂窩無線、人工智能、邊緣計算等新技術的有機結合，實現(xiàn)產品實時在線高精度檢測，并通過工業(yè)云平臺實現(xiàn)檢測模型的迭代提高和共享。

本方案的優(yōu)勢體現(xiàn)在兩個方面：采用5G邊緣云對圖像數(shù)據(jù)進行實時分析，與現(xiàn)有中心云技術相比，邊緣云可以按需部署，可部署在匯聚、綜合接入等邊緣機房，實現(xiàn)業(yè)務本地化處理，在實時性、安全性方面更好滿足工業(yè)應用需要；采用5G技術，實現(xiàn)質量檢測圖像數(shù)據(jù)實時上傳到云服務，云服務器端基于檢測圖像實時和歷史圖像數(shù)據(jù)的人工智能學習，實現(xiàn)算法自我進化。

3.2 系統(tǒng)架構

3.2.1 整體架構實現(xiàn)概述

整體框架如圖所示，共分為三層架構：

1）設備層

通過工業(yè)機器視覺實現(xiàn)產品質量的圖像實時檢測，并將實時圖像數(shù)據(jù)傳輸至邊緣層進行智能分析決策，同時根據(jù)反饋結果實時操作。

2）邊緣層

邊緣層接收來自工業(yè)視覺形成的產品圖像數(shù)據(jù)，基于人工智能算法模型進行實時分析決策，同時將數(shù)據(jù)經過聚合后上傳到中心云；同時接收經過訓練的數(shù)據(jù)處理模型進行更新，以提高檢測精度。

3）中心云

接收來自邊緣云聚合的數(shù)據(jù)信息，訓練模型，將新模型的參數(shù)輸出到邊緣云端，完成數(shù)據(jù)的分析和處理，中心云根據(jù)周期數(shù)據(jù)流完成模型迭代。

通過API，中心云上的基于人工智能的檢測模型可被第三方調用，實現(xiàn)模型的共享。

圖5 方案整體架構

3.2.2 架構特征

1) 實時性：由于圖像數(shù)據(jù)采用5G邊緣云技術在靠近設備的邊緣側被分析處理并即時反饋給應用方，滿足了工業(yè)應用實時性的要求；

2) 精確性：在云端基于歷史數(shù)據(jù)完成對模型的訓練，訓練后的算法模型在邊緣層持續(xù)完成迭代更新，識別精度隨著模型的訓練逐步提高；

3) 數(shù)據(jù)安全：數(shù)據(jù)在本地邊緣層進行實時分析和處理，在滿足實時性的同時更大限度的保障產品數(shù)據(jù)的安全；

4) 模型共享：訓練模型可在云端通過API調用的方式進行共享，提升行業(yè)整體水平。

3.2.3 邊緣云部署

在本方案中，主要試驗MEC邊緣云與工控機的準實時性業(yè)務對接、與物聯(lián)網設備管理平臺的對接。

為解決降低開銷，降低時延，自適應響應等問題，需要一種新的網絡資源模型，即為邊緣節(jié)點配置計算和存儲能力，讓其在更接近高數(shù)量增長的終端設備的同時，降低云端的計算負載，降低服務延時，同時也可以降低整個網絡的帶寬開銷。

5G網絡中，MEC可作為獨立設備進行靈活部署，可部署的位置（見圖6）包括邊緣級、區(qū)域級、地區(qū)級。在實際部署中，需要根據(jù)業(yè)務類型、處理能力、網絡規(guī)劃等要求，將MEC部署于網絡中的合適位置。本方案中，MEC部署在接入級，位于接入局房，為客戶提供業(yè)務本地處理能力。

圖6 邊緣云部署方案

3.3 網絡拓撲設計

本方案為兩級星型拓撲結構（如下圖所示），第一級為工業(yè)視覺設備和工控機之間的星型組網，第二級為工控機和蜂窩基站間的星型組網。首先，多個工業(yè)視覺設備和一個工控機通過工業(yè)總線形成星型組網，完成工業(yè)產品圖像數(shù)據(jù)的傳輸和工業(yè)殘次品的剔除控制；其次，工控機和蜂窩基站形成星型組網，完成基于模型的圖像實時決策判斷和數(shù)據(jù)的傳輸。

圖7 網絡拓撲結構

3.4 功能設計

本方案的功能設計包括數(shù)據(jù)采集、工控機、邊緣云、中心云四個功能模塊。

? 數(shù)據(jù)采集：在生產設備處完成產品圖像的數(shù)據(jù)采集，采用蜂窩網絡將產品圖像數(shù)據(jù)傳輸?shù)竭吘壴疲?/p>

? 工控機：通過產品的圖像數(shù)據(jù)與模型數(shù)據(jù)的實時智能分析，完成智能控制，剔除殘次品；

? 邊緣云：在邊緣云完成的功能包括產品圖像數(shù)據(jù)的存儲，數(shù)據(jù)聚合后向中心云上傳，邊緣側任務的編排，邊緣云資源的調度，接收來自中心云的模型數(shù)據(jù)等；

? 中心云：中心云完成數(shù)據(jù)存儲、數(shù)據(jù)挖掘、模型訓練、數(shù)據(jù)共享等功能。中心云接收邊緣云聚合的產品數(shù)據(jù)，經過機器學習，完成模型訓練，并將模型周期性發(fā)送到邊緣云端。同時，該方案可在中心云通過API調用，實現(xiàn)模型的共享。

圖8 功能架構

3.5 安全及可靠性

本方案的安全及可靠性體現(xiàn)在以下三個方面：

? 數(shù)據(jù)接入采用蜂窩網絡代替?zhèn)鹘y(tǒng)WIFI接入方案，在抗干擾、安全認證、QoS質量保證方面提供運營商級的保障。

? 采用MEC邊緣云技術，利用MEC邊緣云的分流功能，將從裝備采集來的原始數(shù)據(jù)在本地處理，數(shù)據(jù)無需經過核心網，大大縮短了數(shù)據(jù)在網絡中的傳輸路徑，安全性得到了提高。

? 設備、應用與平臺數(shù)據(jù)交互均采用SSL安全加密機制，支持128位AES、64位DES、3DES等算法，支持設備認證鑒權，提供電信級安全保障體系。

4 成功案例

本方案已經成功應用在萬向集團汽車零部件產品的檢測中，幫助企業(yè)提高了檢測效率，節(jié)省了成本運營成本，具有很大的商業(yè)價值和經濟效益。

? 商業(yè)價值

從云與平臺的角度：云平臺可實現(xiàn)檢測模型的調用和共享，通過訓練模型術對金屬表面缺陷識別、缺陷特征、缺陷規(guī)律等進行顯性化、模型化、代碼化，同時可供零配件制造工業(yè)APP開發(fā)者靈活調用，解決相關場景的核心和痛點問題，這將帶來巨大的商業(yè)價值。

從數(shù)據(jù)采集及處理的角度：采用全新的設備數(shù)據(jù)重構方法，采集異質型數(shù)據(jù)非透明設備的運行數(shù)據(jù)，此采集設備能夠廣泛應用數(shù)字化工廠的建設，同時能夠實現(xiàn)MES、ERP、PLM等企業(yè)管理軟件的自動生產數(shù)據(jù)獲取，設備具有很大的市場前景。

從MEC邊緣云的通信新技術角度：基于三層架構的邊緣側服務器構建，同時讓人工智能算法嵌入邊緣服務器，實現(xiàn)半定制化的行業(yè)深度應用，此人工智能算法和產品質量改進方法具有行業(yè)普遍性，在配車零配件生產類企業(yè)中具有很大的市場推廣價值。

從5G技術在智能制造中應用的角度：5G在工業(yè)領域具有非常廣闊的應用前景，5G的三大場景mMTC, URLLC, eMBB將在工業(yè)領域助力實現(xiàn)全系統(tǒng)、全流程、全產業(yè)鏈、全生命周期的網絡連接。日前，首個完整意義的5G標準正式凍結，本方案將成為5G在工業(yè)生產中應用的一次有益嘗試，為未來5G大規(guī)模商用提供前期技術積累。

? 經濟效益

利用機器視覺技術實現(xiàn)產品質量檢測精度和檢測效率的大大提升，在降低生產成本的同時提高了產品質量，從而避免了產品因質量問題帶來的經濟損失，同時利用機器視覺技術可對各類型的產品質量圖像檢測進行自主學習，大大提升了檢測柔性，進一步提升了企業(yè)產品的市場競爭力，從而給企業(yè)帶來巨大的經濟效益。

邊緣側采用數(shù)據(jù)重構方法，支持異質型數(shù)據(jù)非透明設備的接入，可靈活配置支持多業(yè)務場景，包括設備廠商、終端工廠、設備租賃方、維修方、代理商等等，讓設備擁有者或者廠商可以遠程管理自己銷售出去的所有生產設備，通過本測試床使用的方法，實時獲取設備運行數(shù)據(jù)和生產狀態(tài)，從而基于設備的數(shù)據(jù)和統(tǒng)計，對設備生產的產品質量進行改進。

對于制造類企業(yè)客戶而言，結合產品質量情況，同時利用車間中運行的所有機床設備及其運行狀態(tài)、故障記錄、產量、良品率、保養(yǎng)等生產因素，改善生產條件，改進工藝流程，讓工廠設備可以完全智能化運轉。