0
| 本文作者： 郭仁賢 | 2020-08-18 16:56 | 專題：CCF-GAIR 2020 全球人工智能與機器人峰會 |
消費互聯網時代，誕生了“BAT”等高市值的企業，深刻地影響著我們的生活學習。工業互聯網時代，“BAT”將如何續寫輝煌？
8月7日-8月9日，坐標中國深圳。2020 全球人工智能與機器人峰會（CCF-GAIR）于深圳前海華僑城 JW 萬豪酒店啟幕，大會由中國計算機學會（CCF）主辦，雷鋒網、香港中文大學（深圳）聯合承辦，鵬城實驗室、深圳市人工智能與機器人研究院協辦。
在8月9日壓軸舉辦的『工業互聯網專場』上，騰訊云副總裁趙建春做了題為《騰訊云人工智能在工業互聯網領域的實踐》的重磅演講。當前，騰訊云依托C端積累，借助騰訊AI-Lab、騰訊優圖、微信人工智能三大AI實驗室，正打造騰訊全棧AI能力。
談及騰訊云工業產品整體架構，趙建春表示：
“其底層是外界熟知的IaaS平臺、物聯網平臺和5G通信的基礎能力；之上是四大基座，包括工業大數據基座、工業業務基座、工業營銷基座和工業智能基座；再往上是支撐服務生態的產品和生態，包括工業生態能力、行業定制、生態集成，去共同支撐為區域企業提供數字化解決方案的平臺，目前在全國落地了8家。還有項目牽引和基座做的泛工業解決方案。”
雷鋒網了解到，工業智能基座，底層是騰訊的基礎云，之上是基礎服務產品、大數據能力、AI能力、引擎、計算機語言識別、自然語言處理。往上是做應用服務產品，包括騰訊云人工智能服務平臺、智能對話平臺、數據資產管理平臺等。向上會做各種單向的應用，比如說人臉核身、文字識別、人臉識別和圖像識別等。更上面是行業解決方案，比如說智慧工業、智慧交通等。
最后，趙建春剖析了騰訊在工業AI領域的具體實踐案例，比如華星光電面板ADC（自動缺陷檢測）項目、工廠（大型裝配）人員工效優化項目、設備預測性維護項目、能源行業知識圖譜項目等諸多案例。
以下為趙建春的演講全文，雷鋒網在不改變原意的基礎上進行了編輯和整理：
各位朋友，大家下午好。非常榮幸能夠在這里和大家分享騰訊云人工智能在工業互聯網領域的案例和實踐。
人工智能的概念是在1956年提出來的，到現在已經有60多年的歷史，期間經歷過幾次的高潮和低谷。最近20年可以說是人工智能快速發展的20年，主要是受互聯網、移動互聯網的需求驅動，尤其是移動互聯網，人工智能在消費互聯網里面積累了豐富的經驗，現在開始走入到產業互聯網和工業里面來了。
騰訊今年正好是22年，比較完整經歷了互聯網和移動互聯網的年代，在內部也積累了非常多的人工智能的經驗。同時，形成了騰訊AI Lab、騰訊優圖、微信人工智能實驗室，現在正依托騰訊云把這些實驗室積累的人工智能的能力向產業界進行輸出。尤其是優圖實驗室，因為它隸屬于云與智慧產業事業群，它更是這個能力輸出的排頭兵。
由于咱們論壇是工業互聯網論壇，我介紹一下騰訊云工業產品的整體架構：
在底層是大家熟悉的IaaS平臺、物聯網平臺和5G的基礎能力；
之上是四大基座，包括工業大數據基座、工業業務基座、工業營銷基座和工業智能基座；
再往上是支撐服務生態的產品和生態，包括工業生態能力、行業定制和生態集成；
在最上面，是共同支撐為區域企業提供數字化解決方案的平臺，目前在全國落地了8家，還有項目牽引和基座做的泛工業解決方案。
再看看工業智能基座，底層也是我們的基礎云，之上是基礎服務產品、大數據能力、AI能力、引擎、計算機語言識別、自然語言處理。往上做應用服務產品，包括騰訊云人工智能服務平臺、智能對話平臺、數據資產管理平臺等。向上會做各種單向的應用，比如說人臉核身、文字識別、人臉識別和圖像識別等。更上面是行業解決方案，比如說智慧工業、智慧交通等。
基于這些能力，在過去幾年騰訊云嘗試非常多的工業領域的AI應用，有很多的收獲，也有不少的教訓。其中，最大的感受是落地工業AI是挑戰和機遇并存的。
挑戰包括：工業企業IT基礎薄弱；業務門類多，差異大；需求零散、通用性差；定制化需求強；數據積累薄弱；可借鑒經驗少；跨界人才短缺；項目周期長，溝通多。
機遇則是，新基建政策支持；世界最大制造業國家；從中國制造到中國智造轉型升級；最完整的產業鏈；萬億規模工業互聯網市場；云+AI大幅降低門檻；人力成本逐年攀升；人工智能技術的成熟。
如果大家也做這個領域的事情時就會有同樣的感觸，下面我給大家介紹一些騰訊在工業AI領域實踐的具體案例。
首先來看一下，我們和合作伙伴給華星光電做的ADC自動缺陷檢測項目，這個項目的背景是這樣的：
華星光電是深圳建市以來，單筆投資最大的工業項目，達到443億的投資。
我們需要在7×24小時的不停擺產線中嵌入AI系統運行，這個系統是不能停擺的，否則會造成比較大的經濟損失。
產線在每個工序之后，需要對玻璃基板上的缺陷進行顯微拍照和分類，分類之后進行修復或丟棄；因為如果是有殘次的面板，進入下一個環節，產生成品的時候，殘次品就會造成更大的經濟損失。
之前質量檢測是人工進行的，每個工人每天要檢測超過1萬張照片，而且是小黑屋看電腦，很枯燥，檢測面臨著人力需求大、培訓上崗周期長（2-3個月），離職率達到20-30%。
人員判別準確率會受個人經驗和狀態影響，有誤判漏放情況發生。
華星光電從立項到真正交付使用達到可靠的標準，這個經過了比較長的時間，并不像想象中那么順利，前后經過了一年多的時間。
之所以這樣，是我們的工程師需要對這個領域的知識和缺陷進行學習和理解；工廠需要給我們提供大量的樣本數據，并且工人用的額外時間對樣品進行打標和分類，花了很多的時間，經過很多次的交互；圖片處理也不像之前想象的用深度學習分類一下就好，主要還是分類的樣本很少、分類不足、部分分類少、分類不準的問題。實際環境還有圖片傾斜、尺寸偏差、顏色偏差的問題，這些問題之下，需要進行缺陷的定位，然后對缺陷進行分類，分類的同時還要判斷缺陷對液晶面板造成的金屬相交和斷線的問題，這些都是因為要在核心系統里面嵌入自動化的系統替代人工。
整體的方案如上圖所示，電路板因為保密的因素只截了很小部分。主要框架是這樣，圖片先做傾斜校正、尺寸校正、顏色校準，再用深學習分類，同時，通過金屬切片的模板摳圖來做電路板的相交和電路分析。首先是縮放校正和尺寸校正，前面的圖可以看出有大量的水平或垂直線，先用LDS篩選長線段做傾斜角度的估計然后進行傾斜的校正，校正完之后會再檢測長水平線和豎直水平線，并對水平和垂直方向上的直線做聚合，找出最大間距，以此進行判斷，然后進行縮放的校正。
同時，由于生產環境和相機參數的問題，同一個生產環節的照片和顏色的差異。再由于時間和人力的限制，訓練極的顏色和實際生產的顏色也有比較大的偏差，在推理之前，會對圖片進行RGB均值聚類，之后再推送到分割網當中去。大部分圖片是黃褐色和棕色，少量呈現紅色，如果把訓練數據僅包括1和3的黃綠色圖片，生產環境當中存在24這樣的總褐色圖片，表現是很不理想的。
在圖像的校正完成之后，下一步就是缺陷的定位，由于之前的樣本數量比較少，同時存在小樣本覆蓋的問題，所以采用了“周期對比+語義分割+深度學習”的方式，因為面板存在著大量的重復性周期，對于超過3個重復性周期就采用重復對比的方式，選定一個區域的像素，比相同周期的像素過大或者是過小，這個點就是缺陷點。
這個方法好處是準確性比較高，不足是周期性比較少的區域和邊緣區域效果不太好，對于周期性比較小、邊緣區域就采用標準語義分割的方式進行像素的聚類，之后分類，再找到缺陷。好處是比較簡單，不足是需要大量的標注，標注的區域比實際的缺陷要大，因為人的標注比實際標注大一點。
做完缺陷定位之后就進行深度學習的分類，我們可以看到深度學習網絡分類之后，再投射到二維鏡面，這是分類的花瓣圖。同時，在項目中，客戶不僅關心面板上的缺陷類型，他還關心這個缺陷對于電路造成的影響，比如說缺陷落在金屬上，導致金屬斷路。金屬殘留落到金屬上，可能會造成金屬的短路。所以，我們對金屬面板摳圖模板的分析，這是金屬器件的模板。我們用金屬殘留和線路進行相關性的獲取，比如說第一個是金屬殘留，進行相交操作的時候，發現它和兩個金屬線都有交集，這樣我們就能判斷這個金屬殘留對于電路造成的短路影響。第二個金屬殘留和這兩條線進行交集時，發現它并沒有交集，就說明它對電路不造成影響。雖然有金屬殘留，但是不影響電路板的性能。還有殘缺，殘缺和金屬線相交之后，發現了斷路，造成斷路影響。還有一種更復雜的情況，這些金屬是成組的，這一排是互相連接的，有金屬落在上面不產生短路，但是上下兩排相交會造成短路。
華星光電項目初期很多工作是獨立實現的，效率比較低，最終項目交付之后，總結項目經驗，打造工業平臺，封裝數據、任務管理、微服務、容器化等的服務，用可視化、拖拽式來管理，大大提高工作效率。現在模型訓練和調優至少提升60%的效率。項目上的周期也縮短到了“周”的級別。
這個項目意義還是蠻重大的，首先它是目前為止國內最大規模的工業AI質檢項目，也是首個應用到核心工作生產環節的項目，并不是輔助項目，而是直接在核心環節的項目。質檢覆蓋率超過80%，同時，每年為客戶節省成本超千萬元。檢測速度比之前的人提升5-10倍，分類準確率接近90%高于人工的80%。相比人工質檢有更高的穩定性和擴展性，因為人的產能快速提升，質檢的工作很難跟得上。
相比液晶面板這樣的高度自動化的產線的情況，在機械裝備業、制造業，對現場工人的依賴更加的明顯。我們來看某大型客機公司的效率優化項目。
這是我們和合作伙伴一起為空客做的項目。空客做客機裝配時，它有800多萬個零件，由好多個工人裝配數月，這個裝配不像咱之前想象的是汽車的高度自動化的，它也很自動化，但是還是有大量的人工裝配過程。
我們就和合作伙伴通過分析裝配車間的攝像頭、拍照視頻，對圖像識別技術對現場工人匿名分析，分析非常頻繁的路徑、路徑和裝配的貨位之間的關系進行合理的分析。
基于人體識別和軌跡追蹤的視覺算法，為生產管理和優化提供可視化的數據，為人員提供可視化的統計、為工序貨位提供可靠依據，同時依靠電子圍欄，劃定安全的生產區域，防止出現這樣的安全生產的問題。下面是人員優化的工效可視圖，藍色的是有效的工作時間，灰色的是無效工作時間。如果說把藍色的柱狀圖有明顯的提高，其實這個裝配效率會有大大提升，同時，也會帶來很明顯的經濟效益。
下面是常見的設備維護性的項目，是落地的案例。在工業里面的煉油、煤礦焦化都是流程性的行業，單個設備、核心設備價值很高，同時，產品比較單一，需要通過大規模的生產來保證規模化的效應，同時需要連續的生產來保持利潤。如果一旦核心設備產生故障就會造成非常大的損失。
2011年的時候某國有煤礦企業一個齒輪機的損壞，造成了一個月的非計劃性停產，導致5.9億產值的經濟損失。因此，保證核心設備的健康運行，及時發現故障是非常重要的。
我們為某煤礦企業做了煤礦的皮帶機的預測性維護，通過信號采集、干草堆現象分析、包絡解調、特征信號識別等手段確定軸承外圈損傷，我們給出預計剩余壽命10個月，建議企業提前進行采購，這樣就避免了超億元的損失。
騰訊也打造了設備健康管理，借助智能診斷算法可以發現設備早期的故障，結合小程序助手來幫助企業從容面對故障維修。這是現在的小程序，你可以進行設備故障的監控，監控出現異常的及時上報，在線進行維修會簽、審批、維修，最終來完成閉環的流程。
現在我們也支持齒輪箱、電機、振動篩、空壓機、煤磨、泵、風機、輥壓機、液耦等等。還有這些品類和品牌，并不斷的擴充當中。
下面看能源行業知識圖譜項目，能源行業數據量大、經驗分散，同時基礎的監控、測量數據上報非常大量，同時在運維現場時，資料查詢、異常發生相似度搜索、輔助診斷和輔助決策一直是比較大的挑戰，為此我們通過結合物聯網進行數據采集、和基礎數據的采集，共同打造了物聯認知大腦，結合圖神經網絡、業務算法模型來共同做設備運行狀態的感知。
線網運行風險預測、設備故障告警的判斷、檢修自動生成，設備智能監控、設備知識查詢、智能調度和智能醫生等。
這個系統不僅僅可以能源行業應用，只是我們先應用在了能源行業。在電力系統里面我們已經多次的進行了應用，當異常的時候，大腦可以進行搜索，搜索當前的設備在歷史上的運行狀態，可以數十倍提升診斷效率。就像醫生看病一樣，出現故障時，醫生可以通過歷史上很多不能說的經驗，而找到這樣的相似案例，大大提高效率。
下面是工業AI視覺巡檢案例，工廠的規范，安全生產是制造業行業非常重要的工作，以前是靠各種流程規范和約束，以及人員進行巡檢、抽檢保障，現在結合AI的機器技術，通過圖像采集，對數據進行標注、訓練、封裝，通過數據BI的展現，還有聯動告警平臺，很好解決安全生產的問題，并且協同實現聯動告警、聯動人員績效考核、聯動應急指揮、聯動門禁和禁區管理等等的工作。
這個是我們聯合合作伙伴為某大型家電制造企業打造的AI視覺巡檢的項目，大家可以看到工人正在施工做產線的工作，底下就會自動發現沒有按照標準規范操作的異常操作，及時的進行提醒，右邊是定義的規范操作，圖中1234都有標準的操作，如果沒有按照規范操作，就會進行相應的聯動處理、報警。
由于時間的關系，我們還做了很多和工業AI相關的嘗試沒有辦法一一向大家介紹，后面的四個項目也只是簡單地介紹了一下。
工業領域的AI項目很多都是剛剛起步，行業知識多且深、跨界人才少，AI介入核心環節困難重重，但當我們解決一個問題之后就像爬過一座山峰，回頭看的時候，爬過的辛勞和困難都已經成為過去，不再痛苦，并且成為寶貴經驗。
向前看的時候，正因為我們解決了具體的困難和問題，我們可以到新的不同的地方，比如說湖、島和森林，有了更多的可能，比如華星光電就從原來有人工中斷的過程變成更加全自動的過程。
因此，騰訊云也希望和您一起越過一個個山峰，共同遇見更多美好和可能。這里的您有兩個意思，一是我們希望有更多工業AI領域的合作伙伴和我們合作，去一起打造垂直領域的人工智能解決方案。
工業領域的行業知識非常深，騰訊很難深入到每個行業，所以，就需要合作伙伴和我們一起來打造這個行業的解決方案。另外，我們希望有更多的工廠、企業愿意把自己的生產環境當中想用智能化解決的問題交給騰訊，讓騰訊和騰訊的合作伙伴一起來解決，幫助企業和工廠來實現智慧工廠，智能制造的能力。
以上是我今天的分享，謝謝大家。雷鋒網雷鋒網
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
專題
