摘要：在數字化浪潮的驅動下，5G、MEC、云計算、AI等新興技術手段不斷與制造業融合，并逐步走向應用推廣。視覺檢測是工業生產的重要環節，針對格力工業視覺檢測需求，設計了基于5G的工業AI視覺檢測系統，并對系統的工作原理、架構、功能及系統在實際生產環境下的測試結果進行了詳細介紹。最后結合智能制造產業升級和5G技術的推廣與發展需求對系統應用前景進行了價值分析。

前言

機器視覺檢測是指利用機器替代人工實現檢測和判斷[1]。典型的機器視覺檢測系統包括相機、鏡頭、光源、工控機、圖像處理系統、執行機構、被測物等。其檢測原理是通過相機對被測對象進行圖像拍攝，然后將圖像數據傳送至圖像處理系統。圖像處理系統通過檢測算法對圖像進行特征提取、識別，輸出檢測結果并執行相應操作[2]。機器視覺檢測在工業領域具有廣闊的市場空間，主要應用場景包括目標檢測（如對產品外觀瑕疵檢測、對產品零部件的有無檢測等）、目標識別（如文字識別、顏色識別等）、目標定位（如PCB 加工定位、標簽定位等）和目標測量（如對指針儀表的長度、角度測量、對零部件的尺寸測量等）。

傳統方式的機器視覺檢測主要以人工特征提取、分類、識別為主，檢測方法具有針對性，系統魯棒性差[3]。常見的處理方法包括如圖像灰度處理、濾波算法、圖像算數、圖像二值化、霍夫變換等。隨著人工智能技術的不斷發展，以神經網絡為代表的深度學習技術正逐步應用在機器視覺領域。深度學習利用機器模仿人類思考，實現對圖像的理解，被用來解決復雜場景的模式識別[4]。其典型應用領域包括目標檢測、圖像分類、圖像分割等。與傳統方式相比，深度學習可以在訓練過程中自學習相關屬性，省去特征工程環節，識別精度更高、更加靈活[5]。但是對硬件的內存和計算能力要求較高，通常需要額外的硬件投入。此外，在應用開發過程中，需要收集大量的樣本數據進行模型訓練以提高模型精度。雖然機器學習相對于傳統方式有諸多優勢，在實際工業應用場景中，既需要基于深度學習的視覺檢測，又需要傳統的視覺檢測方式。如對表計尺寸的測量、條碼識別等場景，傳統方式簡單而高效，使用機器學習方法則費時費力。

通過在5G試點項目的大量實地調研發現，工業企業在現有視覺檢測應用上存在諸多不足，具體表現在以下4個方面。

a）部分企業采用傳統方式依靠人眼做視覺檢測，存在效率低，漏檢率高等問題。

b）部分企業采用一體化智能工業相機做視覺檢測，但單點設備成本高，不適合規模應用，且無法有效管理。

c）部分企業采用基于云端的視覺檢測系統，存在響應慢、數據安全性低等問題。

d）企業缺乏 AI 視覺相關專業技術人員，難以滿足視覺檢測項目建設需求。

基于上述分析，認為支持多場景應用、平臺化的視覺檢測系統是工業視覺的重要發展方向。隨著互聯網+制造業轉型升級步伐的不斷推進，5G、AI、大數據等高新技術手段將為工業視覺檢測技術的發展注入新動能，推進工業視覺檢測技術變革。

1 格力視覺檢測需求分析

視覺檢測貫穿零件加工、組裝、包裝等各個環節，是企業產品質量的關鍵保障，提升視覺檢測水平能有效降低企業經營成本。格力空調在生產過程中存在大量視覺檢測場景，包括壓縮機線視覺檢測、外機自動電氣安全檢測、整機外觀檢測、印刷品質量檢測等。當前存在大量依靠人眼做視覺檢測的現象，檢測效率低，漏檢率高，容易帶來產品質量隱患。因此，格力急需一套自動化、平臺化的視覺檢測系統替代人工檢測。一方面，需要滿足各生產環節的多場景檢測需求，有效提升檢測效率，降低檢測成本，實現智能檢測管理。另一方面，為應對消費者個性化產品需求，新系統需要具備易擴展、易操作性，能靈活快速適應新場景檢測要求。

2019 年，中國聯通與格力電器開展5G智慧工廠暨全業務戰略合作，基于5G、工業互聯網、物聯網、大數據、人工智能等新型技術，打造家電產業5G智慧工廠示范區。5G作為新一代無線通信技術，在帶寬、時延、連接數等網絡性能上較上一代蜂窩網絡實現全方位提升，可為工業網絡連接提供高可靠服務保障[6]（見表 1）。通過5G網絡可構建平臺化的視覺檢測模式，實現多檢測點并行檢測、智能管理。移動邊緣計算（MEC）是5G重要能力之一，可在移動網絡的邊緣提供IT 服務和計算能力，支持將業務處理卸載到移動網絡邊緣節點[7-8]。利用MEC本地分流能力，可極大降低端到端通信時延，同時保證生產數據安全?；?G技術的平臺化視覺檢測系統，將為企業帶來更多價值。

2 基于5G的工業AI視覺檢測系統解決方案

基于5G的工業視覺檢測系統是平臺化、支持多檢測點并行的工業檢測系統。通過5G+MEC的工廠內網架構與現場瘦客戶端進行交互，實現企業整體視覺檢測體系，可同時滿足多場景、多檢測點并行的檢測及智能化管理需求。通過將主要算力及算法放置于平臺端，極大提升分析處理能力，現場端僅需普通工業相機等少數設備即可實現AI視覺檢測，有效降低單點檢測成本，提升部署靈活性。此外，平臺側支持對檢測點的能力配置，單一檢測點僅需微調即可適配新檢測場景，可滿足對不同產品的快速檢測需求。如圖1所示，基于5G的工業AI視覺檢測系統架構包括現場設備端和智能監測平臺。

2.1 現場設備端

現場設備端負責與產線聯動，包括系統觸發與結果反饋。需將圖像采集并上傳至服務端，并獲取服務端的處理結果?，F場設備由以下3個部分組成。

a）工業相機系統，包括工業相機、鏡頭、光源等，工業相機系統主要負責現場端圖像獲取，需根據不同檢測場景及檢測需求進行適配及選型。

b）現場工控終端，一般為工控機，負責控制工業相機系統及現場設備，實現圖像上傳、控制指令下發、運行現場客戶端軟件等功能。

c）現場設備，包括傳感器、急停開關、三色燈、掃碼槍、顯示器等，負責信號檢測及結果顯示，實現系統觸發、運行控制、結果顯示等功能。

2.2 智能檢測平臺架構

智能檢測平臺是視覺檢測系統的核心，可部署在企業數據機房或云端服務器，主要負責處理視覺檢測流程，完成包括場景管理、業務管理、算法模型訓練、算法管理、檢測業務編排、檢測結果分析等功能。平臺提供狀態查看和統一管理接口，可適配不同場景的檢測需求。智能檢測平臺通過5G網絡與各檢測點相聯，實現1對n的檢測管理與應用服務支持。

智能檢測平臺可以滿足的各類制造企業對工業視覺檢測業務的需求，為上層應用提供服務。智能檢測平臺架構如圖2所示。

a）基礎能力層。通過統一的接口為上層應用提供基礎檢測能力。

b）編排器層。通過編排器的方式將基礎能力進行組合、協同及調用，用以完成對下層基礎檢測能力的封裝；同時，針對特定場景的檢測需求（如暗光），可以通過對基礎能力的封裝形成特定場景下的解決方案，形成功能更強大、更具針對性的基礎檢測能力庫。

c）編排流程庫層。針對不同的應用，需要建立一套支持將基礎能力編排用以解決應用實際檢測需求的編排流程庫。

d）應用層。通過使用編排器及編排流程庫調用基礎檢測能力，滿足全部檢測業務需求，并通過輸入輸出接口，向現場設備及人員提供工業檢測應用服務。

e）云計算平臺。根據實際情況，使用Kubernetes或Docker技術構建上層應用的部署平臺。

f）基礎設施層。包括CPU服務器、GPU服務器及GPU推理單板機等計算資源。

g）輸入及輸出適配器。通過插件化的方式支持主流工業相機通信協議及工業總線協議，便于快速與工裝環境對接。

2.3 關鍵技術

2.3.1 平臺化的系統設計

現階段工業視覺檢測產品大多數是以工業智能相機或傳統視覺檢測方式為主。傳統單點檢測系統通常由光源、相機、圖像采集單元、圖像處理單元等模塊組成，各模塊分散部署在現場側，多為針對單一檢測場景定制化開發，體積較大系統復雜，難以升級維護[9]。智能相機是一種高度集成化的微小型機器視覺系統，將圖像的采集、處理與通信功能集成于一體[10]。相對于傳統視覺檢測系統，智能相機在部署上更加靈活便捷，但是由于體積限制，其處理能力通常較差，只能運行簡單算法且單機成本高昂。

相對于現有視覺系統，基于5G的AI視覺檢測系統是基于C/S架構設計的視覺檢測PaaS平臺，將主要處理能力集中在后端智能檢測平臺，各檢測點通過現場終端將圖片發送至智能檢測平臺并實時獲取檢測結果。智能檢測平臺內置多類算法能力，包括傳統的機器視覺算法以及更為復雜的深度學習模型算法等。通過平臺化的系統設計可支持多場景并行的視覺檢測并實現算法能力的復用。

作者郭熹，李斌，馬文輝，賀鳴，陳亞峰，若有侵權聯系刪除。

編輯：黃飛