百度打造“AI质检员”帮助企业降本增效

概述 质量检验（质检）是工业制造中的一项重要流程，也是保障产品质量与用户体验的重要关口。相较于传统的人工质检，基于人工智能 (AI) 的工业质检系统在检测效率、精度和成本等方面具备重要优势，逐渐成为工业企业推动智能化转型的重要方向。要推动工业质检技术的场景化落地，需要从模型训练、算法优化、算力基础设施创新等领域进行入手，提供工业质检算法所需的精度和速度，以满足工业企业的质量标准和生产节拍要求。 为解决上述难题，百度智能云推出了基于百度工业视觉智能平台的工业智能质检方案。该方案采用来自英特尔的软硬件产品，搭建了统一的工业Al底座，在云边端架构下实现数据/Al 能力闭环流通和控制。方案通过边缘端的英特尔® 酷睿™ 处理器对视觉数据进行 AI 推理，并使用英特尔® OpenVINO™ 工具套件分发版（ OpenVINO™ 工具套件）进行性能优化，从而满足了工业智能质检算法推理对精度和速度的要求。目前，该方案已经在小仙炖燕窝原料杂质智能挑拣等场景得到了广泛应用，帮助用户提升了质检精度与效率，优化了工艺，同时提高了产能与品质。 挑战：工业智能质检落地面临多重瓶颈 机器视觉等技术正在工业智能质检中受到越来越多的青睐。机器视觉系统可以代替人工目检，提取并识别待检测目标的关键特征，进行尺寸、形状、颜色等的判别，检验待检产品是否符合设计参数和质量参数。此类系统不仅能够检测生产线上的产品是否合格，还可识别出缺陷类型及位置，辅助产线调整。得益于高精密成像、微米水平无损检测、自主感知等技术的应用，面向工业环境的机器视觉系统可以实现比人类更高的视觉感知效率以及精度，同时降低由于工人懈怠、疏漏所导致人为失误的可能性，有助于提升表面缺陷检测等工业质检应用的稳定性、精确性与效率。 近年来，基于深度学习的机器视觉系统开始在工业质检中得到广泛应用。深度学习是AI技术的重要分支，支持通过大量样品进行训练，从而进行更加精确的质检判断。在灵活性方面，深度学习是完全基于大数据的AI数据分析和处理方法，它不需要预设任何模式或框架，只需大量的样本数据和适当的标注，即可实现自学习和生成推理模型。因此，通过深度学习框架，企业可以摆脱设备供应商的束缚，自主采集数据，形成自己的机器视觉应用标准和规范。