概述

得益于人工智能 (Artificial Intelligence，AI) 与计算机视觉(Computer Vision，CV) 在工业制造领域的积极作用，AI 工业机器视觉技术正帮助更多制造企业提升产线效率，并在企业加速数字化、智能化转型的过程中发挥重要作用。

但在实践中，针对各类AI方案在运行效率、部署便捷性、可扩展性以及数据安全性等方面遇到的挑战，制造企业仍期望获得更为高效、可在边缘部署、且能将不同算法进行灵活部署与协同的 AI 工业机器视觉解决方案，来自英特尔的端边云AI机器视觉解决方案可以提供坚实而灵活的平台，涵盖英特尔^®酷睿™处理器、英特尔^®至强^®可扩展处理器、OpenVINO^™工具套件、英特尔^®工业边缘洞见平台 (英特尔^®EII) 等多种软硬件产品与技术，正通过在算力、AI 加速、部署便捷性和可扩展性等方面的优势，使缺陷检测、精密制造、机器人及预测性维护等应用实现高效运行。

目前，英特尔端边云AI机器视觉解决方案已在宁德时代动力电池缺陷检测等一系列客户场景中进行了应用实践。来自一线的反馈表明，新方案可以充分满足宁德时代的预期，帮助其有效提升动力电池产线的产能与产品质量。背景：智能制造亟需更为灵活的 AI 工业机器视觉方案今天，在 3C 电子、汽车制造及半导体设备等不同领域的制造企业中，AI 工业机器视觉方案正与自动化、智能工控等技术一起，在更多生产、质控与管理场景中发挥着关键作用，为工业制造领域所开展的智能制造、柔性制造转型提供坚实助力。

背景：智能制造亟需更为灵活的 AI 工业机器视觉方案

今天，在 3C 电子、汽车制造及半导体设备等不同领域的制造企业中，AI 工业机器视觉方案正与自动化、智能工控等技术一起，在更多生产、质控与管理场景中发挥着关键作用，为工业制造领域所开展的智能制造、柔性制造转型提供坚实助力。

与各类传统人工方法相比，得益于 AI 技术在海量图像、数据分析和处理上的优势，AI 工业机器视觉方案在执行效率、精度和一致性等方面都更具优势，以缺陷检测为例，其可为制造企业的质量控制流程带来以下显著优势：

由高清设备与 AI 工业机器视觉技术构成的图像采集、分析能力，可以为工业产线带来高精度和高效率的作业模式，使产品检测质量获得有效提升，并实现检测质量一致性；

AI 工业机器视觉方案可借助 5G 网络、边缘计算等前沿技术，在现有产线侧进行灵活升级部署，并基于云边协同的架构来解决复杂的工业任务。

事实上，随着设备成本的降低、图像识别精度的提高以及算力、算法的突飞猛进，近年来，AI 工业视觉方案在制造企业中获得越来越多的应用与部署。一项市场预测报告显示，从 2022 年到2030 年，全球机器视觉市场的复合年增长率预期将达 7.7%，并将最终达到 259.2 亿美元的市场规模1。

但是，传统AI方案都是基于产品与产线特性出发进行设计，往往与上下游系统（包括云端能力、终端设备等）和技术方案（包括特定功能、算法等）紧耦合，在灵活性和扩展性上有所欠缺。当方案需要动态调整时，就会花费更多的调整时间和成本支出。进一步地，随着更多合作伙伴参与构建AI工业机器视觉方案，不断推出创新的算法与技术，虽然已在各环节上形成性能突破，但方案在整体设计和构建时却仍面临着很多挑战，例如不同功能和算法间的兼容、各模块之间算法的有效协同和数据传递以及日益受到重视的数据安全等问题。

应对上述挑战的重要方法，是在面向生产一线的边缘构建一个兼具AI能力、在软件和算法上更具兼容性，且灵活易扩展的方案。正是这种从传统集中式部署到分布式边缘部署的转变让这种方案能为企业带来如下收益：

降本增效：可让各类推理任务在边缘就可实时完成，云端只负责模型训练和深层次的数据分析，由此避免将海量数据传输至云端或远端数据中心，减少处理时延并降低成本。

灵活易部署：边缘化部署可以让制造企业灵活地在边缘平台配置和部署来自不同合作伙伴的算法与能力，并根据需求变化随时进行调整。通过将云端规模算力优势与边缘实时推理效率相结合，令云边协同的收益进一步放大，形成更有效的边缘数据洞察力。

然而要实现这些并非易事，需要边缘平台有能力在提供高性能软硬件基础设施之上，形成对不同AI算法、大数据以及云边协同技术能力的全方位支持。为此，一直积极推动AI 与制造业开展深度技术融合的英特尔，为制造企业提供了英特尔端边云AI机器视觉解决方案。

解决方案：英特尔端边云 AI 机器视觉解决方案

如图二所示，基于边缘部署，且能有效开展云边协同的AI工业机器视觉方案的基本架构，从云边两侧来看，可分为以下工作流程：

生产一线快速处理：通过高清工业相机等视觉传感设备对制造产线进行图像采集后，由部署在产线附近的设备来执行基础的图像处理分析，或根据AI模型实施快速推理预测，并将得到的结果转化为检测结果，或形成指令发往产线的控制端进行调整；

边缘方案决策分析：采集的数据可在边缘部署的服务器中开展轻量级模型训练，迭代优化后的AI模型将被送回边缘 / 产线端的设备进行推理，得到检测结果或实现远程产线控制；

云边协同效能优化：进一步地，筛选过的高价值数据也可同步至云端 / 数据中心，并在那里利用服务器集群强大的算力支持来开展深入的数据分析和模型训练，形成深度优化模型。

这一架构中，缺陷检测等应用场景对数据快速处理、图像实时分析、产线灵活管控的需求，以及制造企业对方案在功能与算法部署灵活性、可扩展性上的要求，使边缘平台的软硬件产品与技术选择变得尤为重要。结合丰富的产品组合以及在智能制造领域广泛的生态合作，如图三所示，英特尔端边云AI机器视觉解决方案为边缘平台提供了从底层算力、AI加速到上层AI算法、框架部署 / 优化的端到端统一平台，以兼具高性能和灵活便捷性的特点，成为制造企业的方案优选。

夯实基础算力与 AI 加速能力

制造企业在边缘部署各类 AI 工业机器视觉方案时对算力有着迫切的需求。这些需求包括两个层面：一是数据采集、预处理、产线控制等所需的基础算力 (尤其在图形处理方面)；二是各类AI 工作任务所需的 AI 加速能力。

以缺陷检测场景为例，为达到更优的检测效果，当前 AI 工业机器视觉方案的数据采集已普遍使用高清、超高清设备，很多方案采用了 1080P 以上的分辨率与 H.264 / H.265 视频码率。这意味着方案需要部署强劲有效的算力来支持视频传输、编解码和分析处理，且 AI 模型的推理速度也要跟得上产线的“运行节奏”，在极短时间内完成检测，避免问题点漏过。

为此，英特尔首先为方案提供了英特尔® 酷睿™ 处理器、英特尔®至强® 可扩展处理器等来作为算力核心。以全新发布的第 12 代英特尔® 酷睿™ 处理器为例，其大幅提升的单线程 / 多线程性能，以及内置的英特尔锐矩™ Xe 显卡输出的高密度数据、图形处理能力，为在边缘执行的数据分析、图像处理等工作负载提供可靠稳定的算力输出。

在 AI 加速能力方面，由多个英特尔处理器平台所内置的英特尔^®深度学习加速 (英特尔^®DL Boost) 技术，结合 OpenVINO™工具套件提供的量化和拓扑优化能力，能以可观的性能加速来实现边缘实时推理能力。其中，将模型量化为低精度数据格式(例如从 FP32 到 FP16 的量化) 能在损失很小精度的前提下，大幅加速推理效率。而拓扑优化则能去除模型中的冗余部分 (例如一些拓扑只用于训练而非推理)，进一步加速推理速度。

灵活便捷的算法 & 框架部署

如前所述，制造企业在边缘部署 AI 工业机器视觉方案时面临的另一项挑战，是如何根据需求在同一平台上方便地部署多样化、差异化的算法、框架以及软件功能，并使其工作可以实现高效协同。

仍以缺陷检测场景为例，根据检测目标的不同，制造企业会在其中选择最适宜的算法和框架。例如针对图像中的物体分割任务，可能会采用区域卷积神经网络 (Region-CNN ，R-CNN ) 模型，对细微物体实施快速检测，则可选择 YOLOv3-Tiny 模型。在以往，这些不同算法要在边缘平台逐一开展优化来获得最佳效果

不仅费时费力，也增加了管理 / 控制的复杂度以及数据安全风险，大幅抬高了制造企业部署 AI 工业机器视觉方案的门槛。

为此，英特尔为方案提供了多个软件工具来实现在边缘平台上进行不同 AI 模型的部署，以统一的数据通道进行训练、推理和调优，并最终能快速地复制到不同场景中推广使用。首先，源自英特尔的 Analytics Zoo 统一大数据分析和人工智能平台，能通过一个可扩展的架构，将 Apache Spark、PyTorch 及OpenVINO™工具套件等常见框架和软件聚合在一起，为边缘平台提供一条从数据采集、预处理、AI 训练及推理预测的端到端管道，提升方案的部署和运行效率。

而在其上，OpenVINO™工具套件通过一种中间表示文件，即 IR(Intermediate Representation) 文件来转换源自不同 AI 框架的模型，这一方式的优势包括：一方面 IR 文件独立于原始框架，能有效消除兼容问题并降低企业在算法变更时面临的学习成本；另一方面，也使各类 AI 算法能方便地在不同硬件平台 (如英特尔^®酷睿™处理器、英特尔^® 至强^®可扩展处理器) 上运行，便于统一管理和调试。

而在上述各项基于英特尔® 架构的软硬件能力的配置、管理与调优上，英特尔为方案提供了英特尔^®EII 这一由英特尔自主研发的模块化预集成软件栈。如图四架构所示，英特尔^®EII可实现对不同英特尔^®架构硬件产品、OpenVINO™工具套件等软件能力，以及各类三方能力的整合，以容器化的部署方式和良好的互操作性，帮助方案在边缘平台进行简单配置后，就可以完成从数据采集、AI 处理到系统执行的全流程。

除缺陷检测之外，AI 工业机器视觉方案还可在产能优化、精密制造、机器人以及预测性维护等一系列场景中发挥作用。而上述英特尔为方案提供的各硬件产品与软件工具，则能帮助制造企业在构建方案时更专注于各应用场景的设计、功能的运营，而无需耗费大量精力在系统的搭建和性能的优化上，使方案在工业产线中的部署与应用更为便捷，更具实践价值。

实战解析：打造边缘 AI 工业机器视觉方案，宁德时代构建高效率动力电池缺陷检测流程

为满足市场对高品质动力电池的旺盛需求，全球领先的新能源研发和制造企业宁德时代，正通过对动力电池产线开展优化来实现更大的产能与更优的质量。在关键的电池缺陷检测环节，宁德时代与英特尔合作，引入英特尔端边云AI机器视觉解决方案来替代原有的人工检测方式，解决因速度慢、效率低造成的产能瓶颈。在架构设计上，新方案采用了“云边协同”模式进行构建。如图五所示，边缘平台由部署在动力电池产线附近的一系列软硬件设备组成，如高清工业相机、以英特尔^®酷睿™处理器、英特尔^®至强^® 可扩展处理器为算力，并安装OpenVINO™工具套件等软件的PC与服务器。其承担了缺陷检测方案所需的图像采集、数据预处理、AI 推理及算法模型管理等任务，并能对产线进行实时调整管控。而云端则通过接受边缘返回数据进行集中化的模型训练，以优势算力将模型优化迭代后再发布给边缘使用。

为了让边缘平台与云端灵活、便捷地部署基于不同 AI 模型的检测方法 (包括Mask R-CNN、 YOLO v3-Tiny 以及 ResNet50 等)，方案选择Analytics Zoo平台来实现数据管道的连通与工具软件的衔接，并在其上部署了面向英特尔^®架构优化的PyTorch这一深度学习框架。这一组合可轻松应对方案所需的各种图像检测场景。同时，其内含的高度矢量化和线程化的模块，也能使模型在基于英特尔^®架构的处理器上获得更佳的推理性能。

同时，OpenVINO™工具套件也为方案中的不同模型提供了各个层面的优化，并借助内置的 OpenCV图像处理库优化版指令集提升了图像处理效率。而在算力上，英特尔^®酷睿™i5/i7系列处理器以及第二代英特尔^®至强^®可扩展处理器为方案中各类数据处理和 AI 任务提供了强劲支撑。

实践数据表明，新方案在部署后，无论是在检测速度上、还是在检测精度上都达到了宁德时代预先设定的目标，有效帮助其实现产能与质量的双双提升。同时，借助边缘平台提供的一系列融合能力，新方案也能灵活应对宁德时代不同产线、不同检测场景在AI 能力上的差异化需求，显示出了良好的灵活性和可扩展性。

结语

在 AI、计算机图像以及工业自动化等创新技术的推动下，更多制造企业正通过不同方式，将AI工业机器视觉方案运用到缺陷检测、机器人、预测性维护等场景之中，为传统制造产线注入更多智能化元素，从而达到提升产能与质量、降低成本的效果。这一过程中，英特尔端边云AI机器视觉解决方案还提供了英特尔^®oneAPI工具套件、英特尔^®Movidius™ Myriad™X视觉处理器 (VPU) 以及英特尔^®FPGA 等更丰富的软硬件产品，都能助力制造企业基于边缘平台去灵活地部署与运行各类高质量的机器视觉 AI 算法，从而在面向生产一线的边缘形成卓有成效的数据洞察能力。不仅如此，英特尔还在 AI 工业机器视觉生态的建设上，与 ISV、SI、OEM、ODM 等伙伴开展强化合作，以边缘平台为抓手，不断为客户提供持续优化的方案与端到端的技术优势，助力 AI 工业机器视觉方案在更多场景落地，释放边缘数据潜能，让工业制造领域的智能化转型变得更具效率。