Auto Byte

专注未来出行及智能汽车科技

微信扫一扫获取更多资讯

Science AI

关注人工智能与其他前沿技术、基础学科的交叉研究与融合发展

微信扫一扫获取更多资讯

张倩机器之心原创

从产线到星空,这些AI工程师带着算法上天入地

「如果我们不躬身入局,这个事儿就很难做。」

在众多的科技类整活视频中,你可能看到过这么一类:有人会将一部手机拆解成一个个零部件,然后装裱起来留作纪念。这些视频能让我们清晰地看到手机内部精密的构造以及连接器、摄像头支架等平时不容易看到的各个小零件。

图片

图源:https://www.yankodesign.com/2021/01/18/this-framed-disassembled-iphone-5-makes-the-perfect-gift-for-any-tech-lover/

这些零件精度、品质要求都很高,为了满足这些要求,我们的制造工艺一直在快速迭代。

以上图中的 SIM 卡连接器、摄像头支架为例,这些小零件由金属粉末混合粘结剂烧结而成,因此相比传统工艺生产出的零件密度、精度、表面光洁度更高,对零件的结构复杂性限制更小。

但到了出厂前的检测环节,这些优点反而增加了质检员发现零件缺陷的难度,比如零件会因高反光特性而导致产品缺陷与正常反光混淆,而零件的复杂结构又会导致有些缺陷从单个角度不容易被发现。这些特性使得它们的外观检测变得极其困难。在大部分生产环节都已经达到高度自动化的今天,零部件的外观检测成了不少制造类企业产能爬坡的瓶颈。

工厂「幸福的烦恼」

假如你是一家 3C 零部件生产企业的负责人,今年拿到的订单比去年增加 20%,理论上是一件很开心的事。

但事实上,订单增长的背后,还有另一面。

如果无法实现质检环节——尤其是外观质检——的自动化,这多出来的 20% 可能会成为“负担”。因为你需要招更多的人来完成这多出来的质检工作,而现实是招工很难、而且招工也很贵。

外观检测不同于尺寸检测,后者是高度标准化的,有一个大家都认可的测量标准,因此传统机器学习方案可能就能解决。相比之下,外观检测则要麻烦得多:什么样的缺陷可以容忍,什么样的不能容忍,不同的质检员可能会做出不同的取舍,最终可能还要由「黄金眼」(经验丰富、出错率极低的质检工人)来裁决;而且,由于零件形状不规则,有些缺陷非常隐蔽,需要质检员拿在手上多角度观察,甚至用手按压一下才能发现。这就导致一般的检测设备和检测方法都难以满足要求。

那能够筛选出大部分缺陷的设备能将就用吗?在要求严苛的制造业,这个答案是否定的。

要知道,一旦流到下游的零件被发现存在一小点缺陷,下游客户(比如组装厂)就会投诉,甚至将一个批次几万件产品全部退回,要求上游重新检验一遍。此时,上游的零件厂商就要付出双倍甚至更多的人力成本来解决机器造成的问题。因此,如果机器能力不过关,制造业厂商用起来可能得不偿失。也正因如此,他们往往会要求外观质检自动化解决方案的提供方在某些严重缺陷(比如裂纹)的检测能力上达到“零漏检”。

在过去的几年里,这个“零漏检”的要求让不少技术团队折戟沉沙。大部分 3C 零件制造商依然要依靠人力来完成外观质检这项重复率很高的工作,并承担着质检工人因疲劳带来的漏检损失。

用「机器眼」挑战「黄金眼」

当今愈演愈烈的「招工难」暴露出一个问题:没有人愿意日复一日地重复「拿一个样品看一下,转一圈看 1 分钟后放回去,再拿一个样品再看」这样的枯燥生活。因此,用机器解放外观检测人力是迟早要做的事情,即使再难也要做。

从事金属粉末注射成型(MIM)产品制造的富驰高科在 2015 的时候就投入上千万去做相关产品,2019 年也尝试过一些基于深度学习的视觉质检样机,但结果都不太满意。直到 2020 年,该公司偶然接触到腾讯优图实验室团队,事情才发生转机。

腾讯优图是腾讯旗下顶级人工智能实验室,在计算机视觉领域有着深厚的技术积累与行业实践。在派人进驻富驰高科之前,优图也做过一些「AI + 工业制造」的项目,比如和华星光电合作打造的自动缺陷分类(ADC)项目,该项目当时为华星光电节省了过千万的成本。

图片

腾讯优图实验室研究员在工厂了解工业检测细节

不过,两个项目还是存在很大差别的。在富驰高科这类零部件外观质检项目中,他们发现,要想让机器不遗漏零件缺陷,仅提高算法「识图」能力是不够的,还需要解决成像、后续流程改善等一系列问题,需要开发人员非常了解产线。

举个例子,「脏污」和「压伤」在图片上看起来都是一个黑点,但小面积的脏污可能并不算缺陷,你如何保证机器不错判?在和质检人员交流的过程中,优图团队得知,只看平面图像的话他们也分辨不出来,需要斜着看或者擦一下才能判断。这就意味着,机器之所以出错,除了算法还需要打磨之外,人提供给它的信息也是有待补充的。

于是,他们创新应用了一种「光度立体」拍摄方案,即给拍摄设备加上一圈光源,让光从四个角度轮番照亮并拍照,然后利用这四张照片合成一张带有 3D 信息的图像,显示「黑点」是否有凹凸感。此外,为了解决标准不统一给算法带来的干扰,他们还拿着这些照片和「黄金眼」反复确认,去拟合外观质检中的一些「浮动标准」。

类似这样的小问题在工业项目中层出不穷,不亲自接触产线可能很难想出解决方案。就像腾讯云副总裁、优图实验室副总经理吴永坚所说,「如果我们不躬身入局,这个事儿就很难做。」

在长达 300 多天的驻场研发后,优图成功地将很多外观检测中的小问题翻译成了算法能够理解的语言,最终为富驰高科量身定制出「腾慧飞瞳」AI 质检仪。该质检仪 4 秒就能完成一个产品的质检,一天可以检测 2 万个,严重缺陷能做到零漏检,而且只需要补充少量数据就能用到新产品的外观检测上。在 10 多台设备持续满载生产的情况下,该项目预计每年为富驰高科节省成本数千万元。

图片

腾慧飞瞳 AI 质检仪

最重要的是,这个项目帮助腾讯优图在消费电子行业立下了一个标杆案例。消息传开后,越来越多的厂商开始找到他们,希望定制类似的产品。因此,他们后续又承接了立铠精密等几家制造类企业的质检项目,并保持了严重缺陷漏检率接近于 0 的好成绩。

从产线到星空

项目多到做不过来,对于可复用性、标准化的追求就会提上日程。腾讯云工程师张琳樑介绍说,其实在做完富驰高科的项目之后,他们就有一些东西可以再次拿来用了,比如上面提到的光度立体方案,因为很多行业的质检都涉及脏污、凹坑、划伤等基本缺陷。

为了让这些行业知识的积累更加系统,复用起来更加有效,他们按照材质和工艺对接触的产品进行了分类,比如某品牌手机的中框和某笔记本的外壳使用的都是基于「铝件 + 阳极氧化」的工艺,它们的缺陷类型自然也类似,按照这个思路设计的质检产品可以适配更广泛的生产线。

有趣的是,这些在真实场景中打磨的技术、提炼的知识不仅可以用在工厂的产线上,还可以扩展至星空。

在去年的世界人工智能大会上,腾讯官宣了与国家天文台合作的「探星计划」,即基于优图实验室计算机视觉技术、腾讯云计算及存储能力,用 “云 + AI” 帮助中国天眼 FAST 处理每天接收到的庞大数据,并通过视觉 AI 分析找到脉冲星线索。在同等算力下,腾讯帮助国家天文台将数据处理效率提升了 120 倍。

图片

脉冲星是一种快速旋转的中子星,由恒星演化和超新星爆发产生,可用于引力波探测、黑洞等相关研究,这有助于解答许多重大物理学问题。此外,由于可以发出精确的周期性脉冲信号,脉冲星还有星际导航的作用,因此被称为「宇宙灯塔」。它在星际旅行中发挥的作用就类似我们在地球上用的GPS。

经过一年的合作,截至目前,探星计划已从巡天观测数据中找到 22 颗脉冲星。其中,包括在天体物理中具有较高观测研究价值的高速自转的毫秒脉冲星 7 颗,具有间歇辐射现象的年老脉冲星 6 颗。此外,优图动态谱 AI 模型还首次探测到了某磁陀星射电脉冲。

图片

在总结项目经验时,同时参与了工业视觉质检和「探星计划」两个项目的腾讯优图实验室研究总监汪铖杰介绍说,这两件事情在底层的技术上是有共通性的:「从宇宙中接收到的信号大部分都是宇宙背景,小部分才是跟脉冲星相关的东西。在工业质检里面其实也一样,大部分的零件或者大部分零件的面积都是属于正常的状态,发现缺陷也是较小概率的特征查找。」

图片


脉冲星相关图像数据

因此,对于一家已经在 AI 技术上打磨了十年的机构来说,拓宽技术的应用边界、解锁更多场景没有想象中那么费力。

目前,这些技术、知识都沉淀在一个名为「腾讯云 TI」的一站式平台上,这个平台包含腾讯云 TI ONE、TI Matrix、TI DataTruth 三大 AI 底层平台,可以提供包括算法开发、模型训练、数据标注和数据处理等一系列开发能力,将优图等腾讯优秀实验室多年以来的研发成果低门槛地输出到各行各业。

在今年的 WAIC 世界人工智能大会上,腾讯云副总裁、腾讯优图实验室总经理吴运声还公布了 TI 平台的最新升级成果——推出 AI 加速功能 TI-ACC,其训练加速性能较原生框架提升 30% 以上,模型推理加速比达 2 倍以上。这将加速 AI 大模型在各行各业的落地速度。

图片


不过,工厂产线等现实场景的复杂性决定了,这个一站式平台所代表的标准化路径并不是一蹴而就的。就工业这一个赛道而言,吴永坚也认为,现阶段就说要进行整个工业 AI 的标准化是不现实的。他们想做的是找到一些细分赛道重点打磨,比如 3C 和锂电的标准化,然后再去解锁新的领域。

在展望这个平台的未来时,汪铖杰说,下一步它会是高度自动化的、低门槛的,会根据你的任务自动去选择到底用哪个算法模型,告诉你每一步该怎么去做,从而让更多人能用上这些能力。 

结语

聊制造业,「工厂外迁」、「南亚人口红利」都是绕不开的话题。张琳樑认为,他们的工作就可以帮助应对这种危机,因为如果我们实现了人工智能提高效率,把人力分配到更需要的地方,那么我们的设备可能比国外的人工成本更低,这有助于巩固我们的制造业大国地位。

最近几年,国家层面也在鼓励企业做这方面的事情。上个月,科技部等六部门公布了《关于加快场景创新以人工智能高水平应用促进经济高质量发展的指导意见》。《指导意见》指出,以促进人工智能与实体经济深度融合为主线,以推动场景资源开放、提升场景创新能力为方向,强化主体培育、加大应用示范、创新体制机制、完善场景生态,加速人工智能技术攻关、产品开发和产业培育,探索人工智能发展新模式新路径,以人工智能高水平应用促进经济高质量发展。

包括腾讯在内的很多互联网、科技企业都在朝着这个目标努力,他们的研究人员也在越来越多地走出实验室,去更加深入地接触、了解行业。吴运声表示,他本人也经历着一些工作上的变化,除了担任优图实验室总经理外,他现在还兼任政企业务线产研负责人,这一业务线包含工业能源、运营商、文旅、地产等多个行业板块,这让他「有更多的机会去接触这些行业实实在在的需求」。

他在今年的世界人工智能大会腾讯论坛上说,「腾讯始终坚定相信,在人工智能技术革新与产业场景创新应用并举下,技术将会更好地助力实体经济高质量蓬勃发展。面向未来,腾讯也将持续精进 AI 技术与开放平台的产品创新能力,为企业和开发者提供更加丰富的平台化服务。」
产业腾讯优图
相关数据
深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

计算机视觉技术

计算机视觉(CV)是指机器感知环境的能力。这一技术类别中的经典任务有图像形成、图像处理、图像提取和图像的三维推理。目标识别和面部识别也是很重要的研究领域。

批次技术

模型训练的一次迭代(即一次梯度更新)中使用的样本集。

推荐文章
暂无评论
暂无评论~