在当前发展阶段,制造企业普遍面临着诸多的挑战,包括如何改善工作效率以提升行业竞争力,如何降低生产过程中的产品不良率等,从而优化产业成本,其中缺陷检测便是最典型的场景之一。人工肉眼检测的识别效率低,且成本较高,传统机器的方法可扩展性又较差,深度学习技术为上述问题提供了一条解决之道。通过在智能制造系统中使用深度学习技术,制造企业将能够获得自动视觉定位缺陷位置,辨别缺陷种类,真正实现降本增效的目的。
实际工业生产中不仅要有模型算法,也要适配合适的硬件和部署方案,这样算法才能转化为生产力。本次飞桨产业实践范例库联合OpenVINO开源工业缺陷检测的产业应用方案,提供了从数据准备、模型训练及优化的全流程可复用方案,并基于Intel平台进行模型部署,降低产业落地门槛,适用于钢铁、纺织、3C等多种制造业场景。
点击阅读原文
GET项目链接
https://aistudio.baidu.com/aistudio/projectdetail/3971537?contributionType=1
图1 工业缺陷检测
1 场景难点
2 方案设计
钢材是现代最重要的建筑材料之一。钢材结构建筑能够抵抗自然和人为磨损,这使得这种材料在世界各地随处可见。在所有钢材加工环节中,平板钢的生产工艺特别精细。从加热、轧制,再到干燥和切割,需要几台机器协同操作,其中一个重要环节就是利用高清摄像头捕获的图像对加工环节中的钢材进行缺陷自动检测。飞桨模型库涵盖不同领域的主流模型,每个领域包含精度和速度平衡的精选模型,能够显著降低用户在模型选择方面的难度,降低时间成本,实现快速迭代。在落地阶段使用Intel OpenVINO推理框架进行模型部署,充分发挥CPU与iGPU的异构性能加速,优化方案整体成本。
在实际产业落地过程中对算法的要求是苛刻的,希望同时实现速度和精度平衡。我们选择PaddleSeg中的PP-LiteSeg模型,凭着mIoU72.0、273.6 FPS(Cityscapes数据集,1080ti)的超优秀性能,在众多优秀算法中脱颖而出。
3 模型优化策略和效果
4 模型部署
本项目的最终部署环境为:Intel x86硬件平台设备。考虑开发便捷性,本次示例使用python部署开发环境。通过多路工业IP摄像头拍摄钢板表面得到RGB图片,并通过交换设备将图像数据送入Intel平台进行视觉分析。该方案可以识别不同的缺陷种类,并得到其位置信息。在AI Studio中也提供了完整的使用示例与开发说明,可参考该教程快速学习,并针对实际项目进行开发和集成。
图2 部署Demo方案
5 范例工具介绍
OpenVINO作为Intel原生的深度学习推理框架,可以最大化的提升人工智能神经网络在Intel平台上的执行性能,实现一次编写,任意部署的开发体验。近期OpenVINO也发布了最新版本2022.1,该版本已实现对飞桨模型全面适配,带来更高的生产效率,更广阔的兼容性以及推理性能的优化。
PaddleSeg是基于飞桨框架开发的端到端图像分割开发套件,涵盖了高精度和轻量级等不同方向的大量高质量分割模型。通过模块化的设计,提供了配置化驱动和API调用两种应用方式,帮助开发者更便捷地完成从训练到部署的全流程图像分割应用。
6 飞桨产业实践范例
助力企业跨越AI落地鸿沟
飞桨产业实践范例,致力于加速AI在产业落地的前进路径,减少理论技术与产业应用的差距。范例来源于产业真实业务场景,通过完整的代码实现,提供从数据准备到模型部署的方案过程解析,堪称产业落地的“自动导航”。