AI 赋能视觉质检，AWS 推动工业智能化发展

在繁忙的液晶面板制造车间，一位工业质检员正目不转睛地盯着 AOI 设备（一个自动光学检测系统），辨识 AOI 记录下来的不良产品图片，凭借经验，他会对 NG 图片进行分类，并手工记录下产品缺陷类型的编码、位置和尺寸等信息。而这要求工业质检员时刻保持精神高度集中，因为每一次漏检都意味着良品率的下降，而每张图片 3.5 秒，90% 的准确率已经是他的极限。

令人欣慰的是，单位上线了基于 AWS AI 技术的工业视觉检测系统，能够自动、准确、快速地帮她检测出缺陷位置和尺寸，分类 NG 图片，并自动在系统中录入、存储缺陷分类和检测结果信息。将这套系统部署到液晶面板生产线上之后，人工目检的工作量减少了 75%，质检精准率从人工操作时的 90% 提升到 99%，检测效率提升了 35 倍。

工业智能化离不开视觉检测，

准确率提升是关键

在工业生产过程中，视觉检测是其中的关键一环，需要准确、快速地鉴别出有瑕疵的部件。长久以来，这一对产品进行分析检查的步骤通常需要人眼辨识，这就需要对检验人员进行系统培训。合格的视觉检验员通过综合运用各种鉴别知识和技能。

很早就有研究表明，人工视觉检验的错误率通常在 20% - 30%，其中有些是由于操作失误产生，还有些是因为本身操作空间有限，从而无法避免产生失误。虽然通过对人工进行定期培训可以降低错误概率，但仍然无法完全避免。

依靠人工的视觉检测还有先天的局限性，人眼虽然比任何相机都高级很多，但依然会被“欺骗”，例如当我们看到如下图案时，就产生了不同的错觉。

人眼无法进行精确测量的特性以及企业用工成本的增加，让传统人工视觉检测难以应对新的要求。而且，视觉检测在核电站、飞机维护、医疗器械等特殊行业领域中事关重大，一旦出现问题后果不堪设想。因此，完全依靠传统人工视觉检测显然局限多多。

解放双眼，AWS AI

助力工业视觉检测智能化

近年来，神经网络算法推陈出新，高性价比的计算资源风起泉涌，大规模的数据收集与分析被应用于工业领域，这让基于 AI 的视觉检测系统成为现实。

现在，基于 AI 的工业视觉检测拥有更宽的视觉频谱，可识别的类型更多样。在系统得到充分学习训练的情况下，能对检测目标批量进行持续、准确的测量。错误率、成本大幅下降的同时，效率得到了极大的提升。另外，在一些危险或有害的环境条件下也能轻松完成任务，解决了在一些操作空间或环境下，不适合人工检测的问题。

而基于 AWS AI 技术的视觉检测系统不仅可以克服上述难题，还能在整个操作过程中无需人工干预，自动化进行视觉检测。这使得检测效率与效果均得到大幅提升。

AWS 采用深度学习技术，

让整个过程更加智能

深度学习技术使用含有数千层次的神经网络来模拟人的思考方式，进而能达到从复杂图样中区分出常态，并筛选出异常、差异特征等效果。因此，深度学习很好地将人类视觉检测的适应性和计算机系统的速度及健全性结合在了一起。此外，由于云计算的底层支持，通过使用 AWS 可以低成本调度大规模计算资源并实现弹性，因此可以平滑实现多层次的深度神经网络计算，来模拟人脑中的神经网络过程。这给生产技术赋予了奇迹般的新能力，得以识别影像，区分趋势，并做出智能预测及决定。

从初始训练发展出的核心逻辑开始，深度神经网络可通过新的影像、语音和文字等来持续迭代优化其自身表现。而与之结合的机器视觉技术可以很容易地评估出人眼所看不出的各种细微物体的细节，这给检测带来了更高的可靠性和更小的错误率。因此，当二者结合后，这种基于深度学习的影像分析可以用来应对很多更复杂的视觉检测需求，其效果是过去人工目检或单纯机器视觉系统都无法达到的。

AWS 帮助合作伙伴打造视觉检测平台

AWS 拥有完整的机器学习工具集及底层的云能力，能够为合作伙伴提供在工业视觉检测上所需的各种能力。而 AWS 的合作伙伴中科创达正是基于此打造了一套智能视觉检测系统（ADC），并实现在行业典型客户中的不断应用，大范围替代了人工目检，使得人工工作量减少了 75%，检测准确率上升到 99%，漏检率下降到 3% 以内，检测效率提升了 35 倍。

类似的场景同样发生在天津华来科技公司，这是一家研发生产智能家居的高科技公司。华来科技也基于 AWS 完整的机器学习工具集及底层的云能力，开发出了具备 AI 能力的视觉检测平台。在有这套平台之前，他们生产的智能摄像机的 SD 卡槽只能由人工来进行验证，而人工检测并不能做到“每台必检”，比如：设备是否都放入了 SD 卡、SD 卡是否都已经做读写检查等，因此无法确定设备卡槽是否都已合格。

此外，其智能摄像机的夜视功能无法用肉眼验证是开启或关闭状态，依靠人工检测则需要极为复杂的工序，挑战多多。将 AI 视觉检测平台引入到生产环境中之后，这些问题都迎刃而解。该平台会自动智能地对产品进行检测：SD 卡槽是否插卡、读写是否合格等，都一一严格检测，无一疏漏，且标准统一；而且由于系统不再像人眼那样受到环境影响，因此红外夜视功能开启或关闭的检测也都得以很好地实现。

中科创达 ADC 融合系统以及华来科技视觉检测系统最终能达到这样的效果，都与 Amazon SageMaker 机器学习服务密不可分，其系统底层的基础设施，如计算能力、算法和框架，以及机器学习模型的构建、训练、调优和监控等完全使用了 Amazon SageMaker 的能力。

作为基于 AWS 云的完全托管的机器学习平台，Amazon SageMaker 正在简化机器学习的复杂流程。因为任何基于 AI 的工业视觉检测应用都需要实施机器学习、深度学习，这是一项复杂工作，需要高度专业的技能，并消耗庞大的算力、数据存储和时间成本。而 Amazon SageMaker 能够迅速构建、训练和部署模型，帮助 AWS 的合作伙伴来应对新的挑战。

其中 Amazon SageMaker Studio 集成开发环境（IDE），为整个机器学习工作流提供统一界面，使构建、训练、解释、检查、监视、调试和运行机器学习模型变得更简单、更快速。同时 Amazon SageMaker 对各种框架、模型和算法保持开放，不仅集成多种内置算法可以实现开箱即用，而且默认集成多种主流框架如 TensorFlow、PyTorch、Apache MXNet 等。此外，企业还可以上传包含定制算法和模型的容器，用 SageMaker 进行训练和推理。

Amazon SageMaker 就像一个 ML 的数据集、工具集，从 AI 数据的标注，模型训练，到数据和模型的管理等都提供了有效、统一的集成开发环境，极大提高了数据和算法开发者的效率。

AI 视觉检测创造一流价值，

AWS 可以帮助企业更多

在 AI 技术的加持下，工业视觉检测正在发挥更大的价值：更快速的分辨效率、更可靠的分辨结果、更准确的测量标准、更灵活的测量环境，能够适应危险有害环境等。

而通过 AWS AI/ML 平台的加持，将能够在更多方面为企业提供支持。

• AWS AI/ML 平台中内置多种算法供企业选择使用，省却底层算法自研时间，加快应用开发，市场投放速度。

• 机器学习需要调用、配置很多基础运维的计算资源，会耗费企业很大精力。通过 AWS 云上机器学习服务的运用，这些底层的资源运维工作可交由 AWS 云来完成。企业只需集中精力进行应用开发。

• 机器学习还有很多即时性的算力调配情况，有些模型也非一直使用，而 AWS 云的弹性特征恰好可帮助企业“按量计费”，节省不必要的算力费用支出。

• 机器学习应用的开发涉及多种语言，这对企业而言，会带来很多诸如算法运行不一致、 迁移等问题。AWS 的机器学习平台可在整体上对算法语言进行统 一，完成快速部署。

• AWS 的图像和视频分析服务 Amazon Rekognition 帮助完善有关算法的开发，并提供例如轨迹计算、智能标签等更多支持，可为企业带来增值服务。

结 语

在工业化到智能化的转变过程中，AI、云计算正在发挥重要的推动作用，AWS 通过自身 AI 能力不断为客户创造价值。在未来，AWS 将为工业智能化发展提供更多可靠的解决方案。

下期预告：下周我们还将推出一篇《曾被称为“推荐系统之王”的亚马逊，在个性化推荐的探索之路》的文章，为您讲述 AWS 如何用 AI 能力助力企业赢在个性化时代。订阅本公众号，精彩不要错过。

往期回顾：《德甲、NFL、F1 赛车的游戏规则正在改变，AWS 如何解锁数据潜能》