5G+邊緣AI在工業(yè)質(zhì)檢中的應(yīng)用研究

盧麗文，黃錦川，王運付（中訊郵電咨詢設(shè)計院有限公司，北京 100048）

1 工業(yè)質(zhì)檢現(xiàn)狀及發(fā)展趨勢

在汽車、3C 產(chǎn)品、芯片、光伏等領(lǐng)域，工業(yè)質(zhì)檢是不可或缺的環(huán)節(jié)，極大影響著產(chǎn)品產(chǎn)出質(zhì)量和速度。工業(yè)質(zhì)檢目前存在以下痛點和挑戰(zhàn)。

a）檢測難度大：工業(yè)產(chǎn)品復(fù)雜度和精細化程度不斷提高，主要體現(xiàn)在零部件體積變小、樣式和種類眾多、形狀不規(guī)則化、更新?lián)Q代頻繁等多個方面，這些大大提高了質(zhì)量檢測和控制的難度。

b）人力成本居高不下：目前，工業(yè)質(zhì)檢仍大量依賴人工方式。通過人工長時間、大批量的流水檢測來判斷工業(yè)零部件和設(shè)備的質(zhì)量，這樣的方式受人工經(jīng)驗和主觀因素的影響大，對質(zhì)檢人員的專業(yè)素質(zhì)要求較高。雖然部分企業(yè)也陸續(xù)引入了高精度檢測設(shè)備，但仍然要求操作人員具備一定的專業(yè)檢測知識。為保證檢測效果和質(zhì)量，需進行大量的人員崗前培訓(xùn)。此外，高強度和重復(fù)性的流水檢測，對質(zhì)檢人員的視力、體力造成極大的沖擊，人員流失屢見不鮮。為維持企業(yè)正常運轉(zhuǎn)，挽留質(zhì)檢人員，須進一步提升人力成本。

c）檢測效率低下：工業(yè)質(zhì)檢速度和穩(wěn)定性受質(zhì)檢人員技術(shù)水平、經(jīng)驗等限制存在不確定性。質(zhì)檢人員在長時間高強度工作環(huán)境下，容易出現(xiàn)精力分散、情緒波動等問題，影響檢測效率。

隨著行業(yè)競爭的日益激烈，勞動密集型的工業(yè)質(zhì)檢方式已經(jīng)難以適應(yīng)市場的發(fā)展變化。為實現(xiàn)更高效能的生產(chǎn)制造能力、更高品質(zhì)的產(chǎn)品質(zhì)量控制和更低的人力成本，獲取競爭優(yōu)勢，智能化轉(zhuǎn)型成為工業(yè)質(zhì)檢的發(fā)展趨勢。

2 5G+邊緣AI賦能工業(yè)質(zhì)檢

5G 作為“新基建”之首，成為新一代智能制造系統(tǒng)的關(guān)鍵使能技術(shù)。5G 大帶寬、低時延、高可靠等特性使無線技術(shù)能應(yīng)用于高清圖像傳輸及處理、現(xiàn)場設(shè)備實時控制等工業(yè)新應(yīng)用，解決移動性傳輸需求，為工業(yè)質(zhì)檢奠定良好的網(wǎng)絡(luò)基礎(chǔ)。智能化應(yīng)用不再受限于有形的電纜，靈活度大大提高。

2020 年，人工智能與5G 一起列入“新基建”七大領(lǐng)域。AI 與5G 的結(jié)合，催生了各種新型的智慧化應(yīng)用，實現(xiàn)生產(chǎn)方式的改變和生產(chǎn)力的提升。目前，AI實現(xiàn)方式主要分為云端AI和邊緣AI兩種。云端AI通過公網(wǎng)將采集到的數(shù)據(jù)上傳到云端處理，對網(wǎng)絡(luò)帶寬要求較高，一旦網(wǎng)絡(luò)出現(xiàn)故障，就無法正常工作，且存在一定的安全隱患。邊緣AI 將AI 從云端下沉到靠近用戶的邊緣位置，實現(xiàn)本地化的數(shù)據(jù)處理和AI智能檢測，實時性高，具有極強的安全性，當(dāng)網(wǎng)絡(luò)出現(xiàn)故障，仍能正常工作，可靠性高。

工業(yè)質(zhì)檢為勞動密集型和作業(yè)密集型場景，一旦發(fā)生中斷，極大影響工作效率，因此，實時、穩(wěn)定、安全的智能檢測尤為重要。基于5G+邊緣AI 的工業(yè)質(zhì)檢應(yīng)用，可以實現(xiàn)低時延、無接觸式的智能化檢測和大數(shù)據(jù)量本地處理，最大程度減少對現(xiàn)有設(shè)備和工藝的改造，有效提高工作效率，減輕回傳網(wǎng)絡(luò)負荷，保障數(shù)據(jù)安全，同時實現(xiàn)自動學(xué)習(xí)和不間斷并行檢測，降低人力成本，當(dāng)業(yè)務(wù)數(shù)據(jù)積累到一定程度，可以發(fā)掘數(shù)據(jù)潛在的價值，為業(yè)務(wù)決策提供有力支撐。

3 基于5G+邊緣AI的工業(yè)質(zhì)檢應(yīng)用實現(xiàn)架構(gòu)

在工業(yè)質(zhì)檢場景下，5G+邊緣AI 應(yīng)用根據(jù)邊緣位置的不同，主要分為以下2種實現(xiàn)架構(gòu)。

3.1 基于5G+邊緣AI設(shè)備的實現(xiàn)架構(gòu)

基于5G+邊緣AI 設(shè)備的實現(xiàn)架構(gòu)如圖1 所示，其將AI功能下沉到最靠近客戶現(xiàn)場的邊緣位置，即將攝像頭、傳感器、邊緣AI 設(shè)備等部署于一線作業(yè)/檢測位置。邊緣AI 設(shè)備基于攝像頭或傳感器采集的原始數(shù)據(jù)進行實時AI 分析，第一時間將AI 檢測結(jié)果反饋至現(xiàn)場有線連接的展示和聲音提醒設(shè)備，不受網(wǎng)絡(luò)環(huán)境的影響，并通過5G網(wǎng)絡(luò)將檢測數(shù)據(jù)及結(jié)果回傳至后端管理平臺進行統(tǒng)計展示。

圖1 基于5G+邊緣AI設(shè)備的實現(xiàn)架構(gòu)

該架構(gòu)由數(shù)據(jù)采集、現(xiàn)場反饋、邊緣處理、網(wǎng)絡(luò)傳輸、管理平臺等部分組成。

3.1.1 數(shù)據(jù)采集

原始數(shù)據(jù)采集是AI應(yīng)用中最重要的部分，缺乏良好的原始數(shù)據(jù)，AI 算法的效果將大打折扣。原始數(shù)據(jù)（圖像、視頻、音頻、文本等）由在合適位置布放的各種類型攝像頭和傳感器獲取，并通過有線傳入邊緣AI設(shè)備進行處理分析。在低照度情況下，可以加入外部光源以提高采集數(shù)據(jù)的清晰度，避免因光照不足影響輸入數(shù)據(jù)的質(zhì)量，同時營造穩(wěn)定的環(huán)境色溫，降低周圍環(huán)境光照變化帶來的影響。

3.1.2 邊緣處理

邊緣AI 設(shè)備對輸入的原始數(shù)據(jù)進行處理和智能分析，將分析結(jié)果實時反饋至現(xiàn)場展示和提醒設(shè)備，并通過5G網(wǎng)絡(luò)回傳至后端管理平臺。

邊緣AI設(shè)備需具備以下功能模塊。

a）高性能處理器CPU：具備多核高性能處理器，作為控制中樞，用于多攝像頭調(diào)度、進程調(diào)度、軟件程序控制、指令執(zhí)行等。

b）GPU/NPU：集成圖形處理器GPU或神經(jīng)網(wǎng)絡(luò)處理器NPU，提供TOPS 級及以上算力，支持TensorFlow/Caffe/MXNet 等主流深度學(xué)習(xí)框架及特定AI 模型的加載，用于攝像頭視頻、圖像等原始數(shù)據(jù)的處理和AI 分析。

c）I/O 接口：配備多種I/O 接口（見表1），并支持相關(guān)數(shù)據(jù)傳輸協(xié)議，以靈活適配應(yīng)用場景。在實際應(yīng)用過程中，可根據(jù)業(yè)務(wù)需求對接口進行刪減或添加。

表1 邊緣AI設(shè)備常用I/O接口

d）網(wǎng)絡(luò)通信：集成5G 模組或通過RJ45、USB 等接口外接5G 數(shù)據(jù)傳輸終端，具備5G 傳輸能力。可根據(jù)需要內(nèi)置或外接Wi-Fi、Bluetooth、4G等通信模塊。

e）內(nèi)存及存儲：具備一定容量的內(nèi)存及存儲，用于臨時數(shù)據(jù)存放、AI 模型存儲等，其大小決定了設(shè)備的AI模型承載能力。在有限的存儲空間下，AI模型應(yīng)盡量做到輕量化、小型化。

f）視頻編解碼：支持H.265、H.264、VP9、VC-1、MPEG-1/2/4 等通用的視頻編解碼標(biāo)準(zhǔn)及相關(guān)帶寬壓縮技術(shù)，在保證視頻質(zhì)量的基礎(chǔ)上盡可能降低傳輸速率。

g）供電及散熱：配備電源、風(fēng)扇等供電和散熱模塊，保證設(shè)備正常運轉(zhuǎn)。

3.1.3 現(xiàn)場反饋

通過有線外接顯示屏、揚聲器等設(shè)備，對分析結(jié)果進行實時展示和聲音告警提醒，為下一步處理提供及時、穩(wěn)定的參考依據(jù)。

3.1.4 網(wǎng)絡(luò)傳輸

通過5G 無線空口將數(shù)據(jù)回傳至覆蓋該區(qū)域的5G基站及上聯(lián)機房，在上聯(lián)機房與后端云平臺服務(wù)器之間搭建一條數(shù)據(jù)專線，提供專用數(shù)據(jù)傳輸鏈路，實現(xiàn)鏈路質(zhì)量保障，保證數(shù)據(jù)安全性及穩(wěn)定性。

3.1.5 管理平臺

后端管理平臺部署在公有云或企業(yè)私有云上，對前端邊緣AI 設(shè)備回傳的檢測數(shù)據(jù)和分析結(jié)果進行存儲及統(tǒng)計展示。

特別說明的是，圖1中數(shù)據(jù)采集、現(xiàn)場反饋和邊緣處理這3 部分所涉及的設(shè)備除了可以獨立存在，也可以組合成一個整體，如5G+邊緣AI 質(zhì)檢機器人，集成了5G 模組、攝像頭、傳感器、交互顯示屏及邊緣AI 處理所需的相關(guān)硬件和功能模塊。

3.2 基于5G+MEC的實現(xiàn)架構(gòu)

基于5G+MEC 的實現(xiàn)架構(gòu)將AI 功能下沉到客戶現(xiàn)場/邊緣接入機房，搭建一個5G+MEC 專網(wǎng)，將攝像頭或傳感器采集的原始數(shù)據(jù)分流至客戶現(xiàn)場/邊緣機房部署的MEC 邊緣云上，在MEC 上部署AI服務(wù)器、管理平臺等，對原始數(shù)據(jù)進行邊緣處理、AI 分析和統(tǒng)計展示，同時接入廠區(qū)本地網(wǎng)，實現(xiàn)數(shù)據(jù)不出內(nèi)網(wǎng)，保障數(shù)據(jù)安全性。實現(xiàn)架構(gòu)如圖2所示。

圖2 基于5G+MEC的實現(xiàn)架構(gòu)

該實現(xiàn)架構(gòu)由數(shù)據(jù)采集、網(wǎng)絡(luò)傳輸、邊緣處理及管理平臺等部分組成。

3.2.1 數(shù)據(jù)采集

通過在攝像頭和傳感器中集成5G 模組或外接5G數(shù)據(jù)傳輸終端，將其采集的原始自然光、熱成像或音頻等數(shù)據(jù)進行5G 無線回傳。該數(shù)據(jù)采集部分所涉及的設(shè)備也可以組合成一個整體，如5G 移動采集機器人。

3.2.2 網(wǎng)絡(luò)傳輸

該實現(xiàn)架構(gòu)采用5G+MEC 專網(wǎng)進行數(shù)據(jù)傳輸。原始數(shù)據(jù)通過5G 無線空口回傳至5G 基站，5G 基站將該業(yè)務(wù)數(shù)據(jù)（下文統(tǒng)稱專網(wǎng)數(shù)據(jù)）分流至MEC 上，實現(xiàn)業(yè)務(wù)流量的本地卸載。

根據(jù)分流機制的不同可分為以下2種方案。

a）在客戶現(xiàn)場/邊緣接入機房部署下沉UPF/GWU 用戶面網(wǎng)關(guān)。在5G SA/NSA 環(huán)境下，基于核心網(wǎng)控制面與用戶面相分離的思想，UPF/GW-U 用戶面網(wǎng)關(guān)下沉部署至客戶現(xiàn)場/邊緣位置。在數(shù)據(jù)傳輸之前，5G基站上報控制面信令消息至核心網(wǎng)，核心網(wǎng)控制面網(wǎng)關(guān)SMF/GW-C 根據(jù)專網(wǎng)終端攜帶的APN 等信息，為專網(wǎng)數(shù)據(jù)選擇下沉的專網(wǎng)UPF/GW-U，建立默認(rèn)承載。基站在收到專網(wǎng)終端發(fā)起的數(shù)據(jù)傳輸請求后，將專網(wǎng)數(shù)據(jù)通過默認(rèn)承載轉(zhuǎn)發(fā)至下沉的專網(wǎng)UPF/GW-U；若非專網(wǎng)數(shù)據(jù)，5G 基站將其轉(zhuǎn)發(fā)至公網(wǎng)用戶面網(wǎng)關(guān)，從而控制數(shù)據(jù)的轉(zhuǎn)發(fā)，實現(xiàn)專網(wǎng)數(shù)據(jù)分流。

b）在MEC部署DP分流模塊，串接在5G基站與核心網(wǎng)之間。DP 分流模塊一般采用二層模式串接在5G基站與核心網(wǎng)之間的S1 鏈路上，對S1 流量進行包解析分流，將專網(wǎng)數(shù)據(jù)分流至MEC 上，將非專網(wǎng)數(shù)據(jù)透傳至核心網(wǎng)。

3.2.3 邊緣處理及管理平臺

在MEC 上部署AI 服務(wù)器、媒體服務(wù)器、編解碼服務(wù)器及業(yè)務(wù)管理平臺，對分流至MEC 的專網(wǎng)數(shù)據(jù)進行邊緣AI分析和處理，并將分析結(jié)果和相關(guān)檢測數(shù)據(jù)傳至業(yè)務(wù)管理平臺進行存儲和展示。同時，在MEC 上部署MEP 邊緣管理平臺、VAS 增值服務(wù)等相關(guān)模塊，實現(xiàn)對MEC的管理。

筆者將基于5G+邊緣AI 設(shè)備的實現(xiàn)架構(gòu)與基于5G+MEC 的實現(xiàn)架構(gòu)進行對比發(fā)現(xiàn)前者在AI 分析時延、穩(wěn)定性、成本等方面較后者有一定優(yōu)勢，尤其適用于實時性和穩(wěn)定性要求嚴(yán)格、成本受限的場景；后者在AI 模型承載及擴展、安全性方面有突出優(yōu)勢，尤其適用于安全要求高的大型復(fù)雜工業(yè)質(zhì)檢場景。

4 5G+邊緣AI在工業(yè)質(zhì)檢中的應(yīng)用

5G 與邊緣AI 應(yīng)用在工業(yè)質(zhì)檢領(lǐng)域已逐步開展探索和實踐，不同場景下所采用的實現(xiàn)架構(gòu)應(yīng)綜合質(zhì)檢業(yè)務(wù)類型、允許的檢測時延、AI 檢測功能復(fù)雜度、穩(wěn)定性及安全性要求、項目成本等各方面因素靈活選擇。

根據(jù)檢測對象和環(huán)節(jié)的不同，5G+邊緣AI 在工業(yè)質(zhì)檢中的應(yīng)用可分為以下幾類。

4.1 零部件的AI智能檢測

工業(yè)領(lǐng)域的零部件具有種類繁多、工藝精密、體積形狀多樣、檢測標(biāo)準(zhǔn)不一的特點，人工質(zhì)檢難度大、復(fù)雜度高，很容易出現(xiàn)漏檢、錯檢的情況。基于5G 與邊緣AI 技術(shù)將零部件多角度、高清晰度的圖像、視頻等原始數(shù)據(jù)進行回傳，通過邊緣內(nèi)置的AI智能檢測算法，實現(xiàn)多標(biāo)準(zhǔn)、高準(zhǔn)確度的實時零部件智能檢測，提高檢測效率，降低人工成本。

示例1：手機玻璃蓋板瑕疵智能檢測。玻璃蓋板是手機關(guān)鍵零部件，直接影響手機操作體驗。通過多角度組合光源和高分辨率攝像頭進行數(shù)據(jù)采集，可以實現(xiàn)點狀缺陷（黑點、白點、凹凸點、點狀劃痕等）、線狀缺陷（劃痕、刮傷、臟污等）、氣泡、邊緣崩邊、透光等各類微小瑕疵的智能檢測。

示例2：汽車曲軸連桿類型智能檢測。發(fā)動機曲軸連桿的外形有很高的相似度，不同發(fā)動機所使用的連桿之間，甚至一個連桿的正反兩面往往也只有幾個特征點有明顯不同。通過將攝像頭、傳感器應(yīng)用在多種汽車發(fā)動機曲軸連桿的自動化生產(chǎn)線上，邊緣內(nèi)置的AI檢測算法可以辨別不同類型的產(chǎn)品，助力自動化生產(chǎn)線的高效運行。

4.2 組裝及成品的AI智能檢測

在工業(yè)領(lǐng)域，各種零部件將遵循一定的規(guī)則和結(jié)構(gòu)，組裝成最終的產(chǎn)品。產(chǎn)品的整體質(zhì)量檢測和故障排查也是工業(yè)質(zhì)檢的重要一環(huán)。基于5G 與邊緣AI 技術(shù)，實現(xiàn)對產(chǎn)品運轉(zhuǎn)數(shù)據(jù)的采集、無線大帶寬回傳和實時AI分析，為產(chǎn)品整體性能和故障檢測提供寶貴的參考依據(jù)。

示例1：空調(diào)噪聲智能檢測。噪聲大小是空調(diào)的一項重要指標(biāo)。空調(diào)噪聲在生產(chǎn)線上淹沒于工廠內(nèi)嘈雜的設(shè)備噪聲之中，可以在生產(chǎn)線上增設(shè)音頻采集設(shè)備，由音頻采集設(shè)備事先采集工廠內(nèi)的設(shè)備噪聲數(shù)據(jù)，建立噪聲庫；然后通過邊緣內(nèi)置的AI 檢測算法對設(shè)備噪聲進行識別，將設(shè)備噪聲作為背景音從采集到的音頻中剔除，并對剔除背景音的聲音數(shù)據(jù)進行分析，實現(xiàn)空調(diào)噪聲的智能檢測。

示例2：PCBA 故障智能檢測。在印制電路板PCBA生產(chǎn)組裝過程中難免會出現(xiàn)缺陷或不良，如元器件錯焊、漏焊、移位、裂紋、焊盤翹起等，售后產(chǎn)品也存在損壞返修的問題。PCBA 板為有源電路，發(fā)熱異常是判斷故障的重要依據(jù)。自然光和紅外攝像頭可以收集PCBA 板自然光數(shù)據(jù)、上電過程的熱成像數(shù)據(jù)，獲取溫度熱圖數(shù)據(jù)，邊緣內(nèi)置的AI檢測算法將其與標(biāo)準(zhǔn)良品熱圖進行比較，實現(xiàn)異常點快速定位和失效分析，大大減少維修時間。

4.3 產(chǎn)線工人動作及狀態(tài)智能監(jiān)控

目前，智能質(zhì)檢尚未完全取代人工，產(chǎn)線工人與智能機器并存是常態(tài)?；?G 與邊緣AI 技術(shù)，對產(chǎn)線工人的動作行為、情緒狀態(tài)等進行高清實時監(jiān)控，若發(fā)現(xiàn)潛在的影響工作質(zhì)量和效率的問題，進行實時預(yù)警，進而采取防范和改善措施，降低事故發(fā)生的風(fēng)險和概率。

示例1：產(chǎn)品裝配操作智能監(jiān)控。產(chǎn)線工人參與的產(chǎn)品裝配作業(yè)中，通常包含固定的操作流程如伸手、抓取、移物、定位、裝配等。操作人員在長時間工作或被干擾后，裝配動作會出現(xiàn)遺漏、誤操作等問題，影響產(chǎn)品質(zhì)量。通過高清攝像頭對產(chǎn)線工人的動作行為進行監(jiān)控，邊緣內(nèi)置的AI檢測算法可以自動識別人工裝配過程中的工序是否正確，對錯誤操作進行實時報警提示，加快問題暴露，節(jié)省時間。

示例2：質(zhì)檢人員情緒及精神狀態(tài)監(jiān)控。質(zhì)檢人員的情緒及精神狀態(tài)會極大影響其工作效率和質(zhì)量，極端情況下，甚至?xí){自身安全?；?G+高清攝像頭可以對質(zhì)檢人員的面部表情、動作等進行實時AI監(jiān)測，一旦發(fā)現(xiàn)疲勞、注意力不集中、悲傷、憤怒等現(xiàn)象，可以及時提醒相關(guān)人員，避免不必要的事故。

4.4 預(yù)測性維護及改進分析

通過5G+邊緣AI 智能質(zhì)檢，企業(yè)可以積累大量精確的、全面的質(zhì)量檢測數(shù)據(jù)，記錄檢驗過程中的細節(jié)（如視頻、缺陷圖片、產(chǎn)品參數(shù)設(shè)置、生產(chǎn)流水線標(biāo)記等）以及缺陷判斷結(jié)果。以質(zhì)量大數(shù)據(jù)為基礎(chǔ)，企業(yè)可以進行質(zhì)量趨勢、缺陷成因、產(chǎn)能問題定位等智能AI 分析，反觀生產(chǎn)工藝、產(chǎn)線設(shè)備中影響產(chǎn)品質(zhì)量的問題，進而推動參數(shù)優(yōu)化、工藝改進和設(shè)備維護升級，從源頭減少或杜絕缺陷品的產(chǎn)生，做到質(zhì)量管理事前控制，降低質(zhì)檢工作量，為產(chǎn)品制造打下良好的基礎(chǔ)。此類應(yīng)用需在質(zhì)量大數(shù)據(jù)的基礎(chǔ)上進行AI分析，提供預(yù)測性維護及改進指導(dǎo)意見，對時延不敏感，但對硬件算力、存儲和數(shù)據(jù)安全性要求較高，一般采用基于5G+MEC的實現(xiàn)架構(gòu)。

5 結(jié)束語

在工業(yè)質(zhì)檢領(lǐng)域，5G 與邊緣AI 因其大帶寬、智能、實時、安全、穩(wěn)定的特點受到青睞，目前已在零部件、組裝及成品、產(chǎn)線工人動作及狀態(tài)AI智能檢測、預(yù)測性維護及改進分析等方面逐步開展應(yīng)用探索和實踐。根據(jù)業(yè)務(wù)實際需求，企業(yè)可靈活選擇基于5G+邊緣AI設(shè)備或5G+MEC 的實現(xiàn)架構(gòu)。未來，隨著技術(shù)的發(fā)展和行業(yè)探索的深入，5G+邊緣AI 在工業(yè)質(zhì)檢領(lǐng)域?qū)⒀苌龈嗟膽?yīng)用類型，豐富應(yīng)用場景，發(fā)揮更大的價值。