透過AI學(xué)習(xí)，可透過統(tǒng)一高效的外觀檢測，來解決產(chǎn)品檢測中的各種問題，例如視覺判斷的變化以及檢測設(shè)備難以處理的產(chǎn)品。

人工智慧技術(shù)近年來已經(jīng)開始被引入各個(gè)產(chǎn)業(yè)。除了醫(yī)藥、工業(yè)等領(lǐng)域外，包括農(nóng)業(yè)、漁業(yè)等看似與人工智慧無關(guān)的行業(yè)的案例也很多。因此，可以毫不夸張地說，人工智慧正在滲透到我們的日常生活中。在這種情況下，「邊緣AI」近年來倍受關(guān)注。邊緣AI是汽車自動駕駛、自動化生產(chǎn)、數(shù)位轉(zhuǎn)換、智慧檢測等的關(guān)鍵技術(shù)之一，相信未來將吸引更多的業(yè)者投入。

我們先來討論一下邊緣AI與云端AI的差異和優(yōu)缺點(diǎn)之後，再更進(jìn)一步的觀察應(yīng)用於工件生產(chǎn)檢測的技術(shù)和產(chǎn)業(yè)現(xiàn)況。

邊緣AI是即時(shí)處理數(shù)據(jù)不可或缺的技術(shù)，并且隨著技術(shù)的發(fā)展而不斷增加。尤其是近年來，更在物聯(lián)網(wǎng)加速發(fā)展下，可以說是一項(xiàng)發(fā)揮著極其重要作用的技術(shù)。而云端AI是指Google、Amazon、Microsoft、IBM等在云端提供的平臺服務(wù)。

雖然云端AI和邊緣AI之間存在即時(shí)運(yùn)算或處里的差異，但云端的優(yōu)勢卻是在於可通過積累大量學(xué)習(xí)數(shù)據(jù)，并利用CPU和GPU的能力進(jìn)行高速處理來構(gòu)建學(xué)習(xí)模型，正因?yàn)槿绱耍絹碛嗟臉I(yè)者提供云端平臺的服務(wù)。

但隨著物聯(lián)網(wǎng)的普及，這種情況正在逐漸發(fā)生變化，因?yàn)榻K端已經(jīng)可以透過無線通訊來收集和傳送數(shù)據(jù)，同時(shí)自動上傳數(shù)據(jù)到云端的環(huán)境也開始發(fā)展。最重要的是，因?yàn)閿?shù)據(jù)資料的不同，有些東西上傳到云端的風(fēng)險(xiǎn)非常高，所以將機(jī)密訊息上傳到云端仍然是相當(dāng)危險(xiǎn)的。

此外，當(dāng)需要快速處理時(shí)，往往需要在云端花費(fèi)時(shí)間，而這需要通過網(wǎng)路進(jìn)行處理。因此近年來，在終端進(jìn)行高速處理的「邊緣AI」也就逐漸被重視和成為新趨勢。

在過去的這段時(shí)間，已經(jīng)有相當(dāng)多人討論云端AI平臺的優(yōu)缺點(diǎn)，因此在這里僅來分析一下相對於云端AI平臺的邊緣AI架構(gòu)下優(yōu)缺點(diǎn)。

邊緣AI的優(yōu)勢

可即時(shí)判斷

導(dǎo)入邊緣人工智慧的最大好處之一是能夠做出即時(shí)決策。邊緣AI是在終端進(jìn)行AI運(yùn)算處理，因此不會像在云端平臺那樣的有著回應(yīng)延遲的問題。因此，它在需要速度的任務(wù)中非常有用，例如終端控制和態(tài)勢感知。

可以降低溝通成本

正如之前說明的，邊緣AI在終端側(cè)進(jìn)行處理。而且僅需將學(xué)習(xí)所需的數(shù)據(jù)發(fā)送到云端，因此可以減少不必要的通訊成本。可以說，與所有數(shù)據(jù)都在終端發(fā)送的云端平臺相比，能夠降低通訊成本也是一個(gè)很大的優(yōu)勢。

強(qiáng)化安全性

邊緣AI的特點(diǎn)是推理(終端)和學(xué)習(xí)(云端)在不同的地方進(jìn)行。因此，可以將具有資訊泄露風(fēng)險(xiǎn)的數(shù)據(jù)儲存在終端。此外，由於處理是在不透過網(wǎng)路的情況下進(jìn)行的，因此無需擔(dān)心在網(wǎng)路環(huán)境中受到攻擊或竊取的風(fēng)險(xiǎn)。

邊緣人工智慧的缺點(diǎn)

處理能力有限

邊緣AI最大的缺點(diǎn)是難以處理大規(guī)模數(shù)據(jù)，因?yàn)樘幚硎窃诮K端進(jìn)行。另一個(gè)問題是推理和學(xué)習(xí)是在不同的地方進(jìn)行的，因此不適合高級處理。

操作門檻高

由於邊緣人工智慧的特點(diǎn)就是「把AI內(nèi)建在終端設(shè)備里」，因此操作門檻并不低。系統(tǒng)設(shè)計(jì)、維護(hù)和運(yùn)營都有困難度，因此對於沒有專業(yè)知識員工的企業(yè)來說，在維持熟練操作的難度會很大。

利用AI簡化目視標(biāo)準(zhǔn)不明確產(chǎn)品的檢查

透過AI學(xué)習(xí)，可透過統(tǒng)一高效的外觀檢測，來解決產(chǎn)品檢測中的各種問題，例如視覺判斷的變化以及檢測設(shè)備難以處理的產(chǎn)品。

對生產(chǎn)線上流動的產(chǎn)品，透過目視一一進(jìn)行檢查，需要大量的人員和時(shí)間，不僅成本高昂，而且必須考慮人為錯(cuò)誤。因此在檢測生產(chǎn)線上中安裝配備影像識別技術(shù)的攝影鏡頭，掃描沿生產(chǎn)線流動的產(chǎn)品，并透過導(dǎo)入AI智慧檢測系統(tǒng)檢測缺陷產(chǎn)品，已經(jīng)是工業(yè)4.0或數(shù)位轉(zhuǎn)換潮流下的大趨勢。

如果再加上邊緣AI其即時(shí)反應(yīng)速度的獨(dú)特之處，利用讀取無缺陷產(chǎn)品影像的機(jī)器學(xué)習(xí)，可做出類似於資深熟練人員的檢查能力，來對高速流動的產(chǎn)品更能夠準(zhǔn)確快速地判斷。此外，人工智慧更可進(jìn)行24小時(shí)運(yùn)行，降低人工成本，防止因個(gè)體差異而產(chǎn)生品質(zhì)差異。

異常檢測有多種方法，包括統(tǒng)計(jì)方法、聚類算法和深度學(xué)習(xí)。基於深度學(xué)習(xí)的異常檢測算法，因其可以學(xué)習(xí)復(fù)雜模式并檢測異常而受到歡迎。然而，異常檢測的挑戰(zhàn)之一是難以定義出預(yù)期或正常行為，因?yàn)檫@可能會根據(jù)應(yīng)用程序和系統(tǒng)本身而變化(圖1)。

圖1 : 異常檢測技術(shù)分類。（source：Wevolver；作者整理）

不過在制造現(xiàn)場，需要在多條生產(chǎn)線上進(jìn)行檢測，需要分析的影像數(shù)量相當(dāng)龐大。 許多工廠希??在執(zhí)行視覺檢測時(shí)能盡量減少延誤，因此認(rèn)為將所有資料上傳到云端平臺并不現(xiàn)實(shí)，同時(shí)許多工廠還認(rèn)為將生產(chǎn)現(xiàn)場的資訊發(fā)送到公司外部(云端)會帶來安全問題，因此對在生產(chǎn)現(xiàn)場對人工智慧操作的需求越來越大。

但目前的問題是，由於缺乏低成本與架構(gòu)簡單的內(nèi)部數(shù)據(jù)中心，再加上大多業(yè)者并沒有相關(guān)的專業(yè)人員，因此生產(chǎn)現(xiàn)場人工智慧的推廣實(shí)施進(jìn)展并不順利。

在邊緣AI的概念出現(xiàn)後，以可解決大部分的問題，也就是說，針對不愿接受數(shù)據(jù)處理出現(xiàn)長時(shí)間延遲，或者出於安全原因拒絕將資料上傳到云端平臺的對象，那麼生產(chǎn)現(xiàn)場導(dǎo)入「邊緣人工智慧」進(jìn)行即時(shí)分析處理，則是有相當(dāng)大的幫助性。

邊緣AI在制造業(yè)中的一些最顯著的用例包括：

1.即時(shí)檢測缺陷作為品質(zhì)檢查流程的一部分，并且利用深度神經(jīng)網(wǎng)絡(luò)分析產(chǎn)品影像。

2.基於工業(yè)機(jī)器人低延遲操作，執(zhí)行即時(shí)生產(chǎn)任務(wù)。

3.基於增強(qiáng)實(shí)境（AR）和混合實(shí)境（MR）設(shè)備，為現(xiàn)場技術(shù)人員提供遠(yuǎn)端支援。

4.利用低延遲邊緣運(yùn)算節(jié)點(diǎn)實(shí)現(xiàn)即時(shí)呈現(xiàn)。

5.基於人工智慧的AR/MR流（例如基於人工智慧的維修建議），并有效地將遠(yuǎn)端專家的指導(dǎo)傳遞給現(xiàn)場技術(shù)人員。

透過邊緣學(xué)習(xí)填補(bǔ)傳統(tǒng)視覺規(guī)則空白

對於基於規(guī)則的機(jī)器學(xué)習(xí)解決方案來說，許多機(jī)器視覺的應(yīng)用面臨相當(dāng)艱巨的挑戰(zhàn)過於，但投資回報(bào)率又不足以保證開發(fā)和維護(hù)完整的深度學(xué)習(xí)解決方案。為了解決這個(gè)問題，機(jī)器視覺業(yè)者開始開發(fā)了邊緣學(xué)習(xí)，這是一種填補(bǔ)深度學(xué)習(xí)，和傳統(tǒng)基於規(guī)則的視覺之間空白的人工智慧（圖2）。

圖2 : 優(yōu)化嵌入式機(jī)器視覺系統(tǒng)的邊緣學(xué)習(xí)網(wǎng)路，需要調(diào)整影像大小，以便針對重要且感興趣的區(qū)域進(jìn)行分析。（source：Cognex）

邊緣學(xué)習(xí)是為工業(yè)自動化量身定制的一種深度學(xué)習(xí)形式。它包括兩個(gè)步驟：預(yù)訓(xùn)練和特定用例訓(xùn)練。邊緣學(xué)習(xí)供應(yīng)商使用為一般工業(yè)自動化最隹化的大型資料集進(jìn)行第一步。再由客戶本身自行完成第二步，為其特定用例添加少量學(xué)習(xí)影像。這比深度學(xué)習(xí)涉及的影像要少得多，通常要少一到兩個(gè)數(shù)量級（圖3）。

圖3 : 邊緣學(xué)習(xí)神經(jīng)網(wǎng)路由業(yè)者在針對工業(yè)自動化的大量數(shù)據(jù)集上進(jìn)行預(yù)訓(xùn)練。未來，客戶只需幾分鐘即可完成針對其特定用例進(jìn)行第二部分的訓(xùn)練。（source：Cognex）

由於邊緣學(xué)習(xí)需要訓(xùn)練的影像少得多，因此對訓(xùn)練硬體的要求也更輕。多數(shù)的邊緣學(xué)習(xí)訓(xùn)練模型甚至不需要GPU架構(gòu)。對於許多應(yīng)用來說，可以透過嵌入式智慧相機(jī)邊緣學(xué)習(xí)解決方案，將提供更快、更輕松的影像設(shè)置和采集，因?yàn)橹腔巯鄼C(jī)平臺內(nèi)建了感測器、光學(xué)元件、處理器和照明等多個(gè)元件。最大限度地降低了因連接PC和整合推理引擎而產(chǎn)生的硬體整合問題，最終簡化了機(jī)器學(xué)習(xí)系統(tǒng)的復(fù)雜性。

同時(shí)還可以降低成本，以及提高靈活性。如果采用高階GPU的話，不僅會顯著增加硬體成本，也更難調(diào)整適應(yīng)到現(xiàn)有的生產(chǎn)線上。相比之下，配備嵌入式神經(jīng)處理單元（NPU），甚至僅內(nèi)建CPU的智慧相機(jī)，就能夠進(jìn)行訓(xùn)練和運(yùn)作邊緣學(xué)習(xí)工具。

無論選擇哪種平臺，邊緣學(xué)習(xí)都比傳統(tǒng)的基於規(guī)則的深度學(xué)習(xí)解決方案具有許多優(yōu)勢。由於它需要較少的影像（尤其是難以找到的缺陷影像），因此用戶只需透過幾個(gè)范例零件，即可快速確定項(xiàng)目的可行性。一旦獲得確認(rèn)，開發(fā)周期就會變得更快。更加簡單，也不再需要數(shù)據(jù)專家。

邊緣學(xué)習(xí)非常適合電子和半導(dǎo)體制造業(yè)者。這些產(chǎn)業(yè)必須平衡大量生產(chǎn)、嚴(yán)格的品質(zhì)要求、以及廣泛的產(chǎn)品變化和強(qiáng)大的價(jià)格壓力。對此，邊緣學(xué)習(xí)提供了一種有效的方法，來檢查組件品質(zhì)以及模組和PCB組裝。它可以檢測刮痕、污漬、缺囗和凹痕等缺陷，更可對零件類型及其品質(zhì)進(jìn)行分類。如果邊緣學(xué)習(xí)的OCR足夠強(qiáng)大的話，還可以應(yīng)對高倍率蝕刻和刻劃字符串的挑戰(zhàn)。

因此邊緣學(xué)習(xí)有利於半導(dǎo)體和電子制造領(lǐng)域的不同叁與者。包括了，原始設(shè)備制造商可以使用邊緣學(xué)習(xí)，更輕松地解決具有挑戰(zhàn)性的機(jī)器視覺問題，并為客戶提供支援。此外，邊緣學(xué)習(xí)易於再訓(xùn)練，讓最終用戶能夠快速解決問題并增加新產(chǎn)品，從而減少對售後支援和服務(wù)成本的需求。

解決邊緣AI實(shí)施難題 支援高效運(yùn)營的軟體

導(dǎo)入「邊緣AI」不僅對那些希??進(jìn)行DX的工廠來說是一個(gè)有效的策略，對那些已經(jīng)在云端平臺或內(nèi)部建立資料中心，且運(yùn)行AI的工廠來說更是如虎添翼，透過將云端平臺，和內(nèi)部構(gòu)建的學(xué)習(xí)模型無縫應(yīng)用到邊緣設(shè)備，更可快速實(shí)現(xiàn)高效的系統(tǒng)構(gòu)建。

近年來，人工智慧應(yīng)用在各個(gè)領(lǐng)域取得了長足發(fā)展，原因之一就是能夠利用GPU 進(jìn)行運(yùn)算處理。目前已經(jīng)有人工智慧相關(guān)業(yè)者了利用貨柜架構(gòu)技術(shù)（Container Structure），開發(fā)出更高效地管理數(shù)據(jù)中心（學(xué)習(xí)模型）和邊緣端軟體系統(tǒng)，來解決制造領(lǐng)域人工智慧系統(tǒng)構(gòu)建和運(yùn)作的問題（圖4）。

圖4 : 人工智慧相關(guān)業(yè)者了利用貨柜架構(gòu)技術(shù)，開發(fā)出更高效地管理數(shù)據(jù)中心。（source：Mynavi；作者整理）

貨柜架構(gòu)技術(shù)非常適合人工智慧，例如，日本系統(tǒng)業(yè)者Ryoyo Electro透過利用基於Docker的貨柜架構(gòu)管理平臺Rancher，和貨柜架構(gòu)Orchestration系統(tǒng)Kubernetes，將人工智慧系統(tǒng)從資料中心帶到邊緣，讓人工智慧系統(tǒng)可以在 Kubernetes上進(jìn)行整合和管理。因此，人工智慧系統(tǒng)需要采用最新技術(shù)，不斷提高學(xué)習(xí)模型的準(zhǔn)確性，就像透過貨柜架構(gòu)技術(shù)的使用，來實(shí)現(xiàn)高效的環(huán)境構(gòu)建和持續(xù)更新（圖5）。

圖5 : 日本Ryoyo Electro將人工智慧系統(tǒng)從資料中心帶到邊緣，讓人工智慧系統(tǒng)可以在Kubernetes上進(jìn)行整合和管理（source：Ryoyo Electro；作者整理）

不過，對於有興趣導(dǎo)入邊緣AI的工廠來說，仍有另一個(gè)擔(dān)??的原因，就是在導(dǎo)入時(shí)，需要對設(shè)備進(jìn)行持續(xù)更新，而在多個(gè)工廠或生產(chǎn)線上進(jìn)行逐一更新安裝，這是一項(xiàng)龐大也非常耗時(shí)的工作，盡管如此，應(yīng)用程式和作業(yè)系統(tǒng)的持續(xù)更新，這對於人工智慧的使用是必不可少的，因此如何讓這項(xiàng)工作更有效率，是邊緣AI引入的一大挑戰(zhàn)。

為了解決這個(gè)問題，Ryoyo Electro也開發(fā)了邊緣設(shè)備更新的自動化軟體，將應(yīng)用的更新程式分送到每一個(gè)邊緣設(shè)備，來創(chuàng)建一個(gè)無需花費(fèi)人力就能支援頻繁人工智慧更新的系統(tǒng)。

結(jié)論

邊緣AI是一種無需依賴云端，只需利用少量數(shù)據(jù)即可做出決策的人工智慧技術(shù)。隨著物聯(lián)網(wǎng)的普及，近年來持續(xù)地快速發(fā)展，企業(yè)的DX轉(zhuǎn)型也不例外。此外，邊緣AI技術(shù)對於實(shí)現(xiàn)自動駕駛、智慧工廠也是不可或缺的。雖然不適合應(yīng)用在數(shù)據(jù)量大或數(shù)據(jù)復(fù)雜的環(huán)境，但卻可滿足現(xiàn)場對於快速輸出、判斷和處理，且不經(jīng)過云端，以及加強(qiáng)資訊安全的高度需求。如果在配合高速無線網(wǎng)路和區(qū)域數(shù)據(jù)中心的「區(qū)域邊緣云端」，來收集該區(qū)域內(nèi)各個(gè)終端的解決方案數(shù)據(jù)，并使用邊緣運(yùn)算系統(tǒng)處理數(shù)據(jù)，減少流量并即時(shí)響應(yīng)，更可將邊緣AI推升到更高階的平臺架構(gòu)。