2023年12月，工信部發(fā)布的《制造業(yè)卓越質(zhì)量工程實施意見》強調(diào)，質(zhì)量是制造業(yè)的生命線，推動產(chǎn)業(yè)從數(shù)量擴張向質(zhì)量提升是新時期制造業(yè)高質(zhì)量發(fā)展的現(xiàn)實需要。

在這一進程中，制造業(yè)工廠智能化水平不斷提高。比如在工業(yè)產(chǎn)品檢測領(lǐng)域，工程師們就把AI變成了“新工人”，來幫助工廠解決那些棘手的問題。

盡管制造業(yè)很早就利用工業(yè)相機等數(shù)據(jù)采集設(shè)備對產(chǎn)品實施檢測，但是采集到的數(shù)據(jù)還是要通過人工識別和判定，效率低不說，質(zhì)量穩(wěn)定性也難以保證。

機器學習算法的突破，提供了一種可能性，就是基于過往積累的數(shù)據(jù)訓練AI模型，然后讓其自主判定產(chǎn)線相關(guān)檢測數(shù)據(jù)，進而克服人工判定的低效與高錯誤率等問題。由此，AI+機器視覺，為工業(yè)智能開啟了一道縫隙。

什么是機器視覺？

根據(jù)美國自動成像協(xié)會（AIA）的定義：機器視覺（Machine Vision）是一種應(yīng)用于工業(yè)和非工業(yè)領(lǐng)域的硬件和軟件組合，它基于捕獲并處理的圖像為設(shè)備執(zhí)行其功能提供操作指導。

機器視覺可以分為成像和圖像處理分析兩大部分：成像依賴于機器視覺系統(tǒng)的硬件組件，如光源、光源控制器、鏡頭和相機；圖像處理分析則是在成像基礎(chǔ)上，通過視覺控制系統(tǒng)進行的。

機器視覺系統(tǒng)的核心功能包括：識別、測量、定位和檢測。

上述功能的難度是逐次遞增的，因此，生產(chǎn)檢測也是最能展現(xiàn)機器視覺“功力”的領(lǐng)域之一。

目前，機器視覺技術(shù)已經(jīng)廣泛應(yīng)用于消費電子、汽車制造、半導體、光伏等領(lǐng)域，且市場規(guī)模在不斷擴大。

源自半導體制造業(yè)場景的AI視覺檢測

2018年，格創(chuàng)東智由TCL孵化而出，帶著TCL在解決特定問題上積累的數(shù)字化能力，并以此為基礎(chǔ)發(fā)展出一系列相關(guān)產(chǎn)品和解決方案。

深厚的行業(yè)Know-How成為格創(chuàng)東智的天然優(yōu)勢。不同于一些AI企業(yè)是帶著技術(shù)去找場景和客戶，他們本身就是具體場景孕育的結(jié)果，所以甫一降生，就帶有很好的理解場景和客戶需求的基因。

格創(chuàng)東智的機器視覺檢測方案——天樞AI視覺檢測系統(tǒng)是其工業(yè)智能解決方案中的一個細小分支，源自TCL華星的半導體面板生產(chǎn)檢測。

面板生產(chǎn)過程的每一個關(guān)鍵制程都需要AOI（自動光學檢測）設(shè)備拍攝圖片，進而識別相關(guān)缺陷。早期通過人工進行缺陷分類，只有分類好了，才能知道下一步該怎么處理。整個流程有一百多個制程，需要大量的人工去做每一個關(guān)鍵制程。

機器視覺技術(shù)興起后，格創(chuàng)東智攜手TCL華星開發(fā)了AI視覺檢測系統(tǒng)，基于人工智能技術(shù)進行圖片的識別分類。

方案實施后，首先是大幅提升了檢測效率，能夠代替百分之八九十的檢測人員，一天可以檢測將近三百多萬張圖片。其次是提升了檢測精度，因為能夠有效避免人員易疲勞、人與人之間的認知差異等問題。

此后，隨著技術(shù)成熟度的提升，格創(chuàng)東智的機器視覺方案逐步從半導體行業(yè)外溢，目前已經(jīng)成功賦能光伏、3C電子、家電、石油石化、航空航天等22個細分行業(yè)。

AI模型如何賦能生產(chǎn)制造？

AI賦能機器視覺檢測的過程，經(jīng)歷了一個從小模型到大模型，再到“小模型”的路徑。

初期，格創(chuàng)東智先結(jié)合深厚的行業(yè)數(shù)據(jù)積累和對特定工業(yè)場景及檢測指標的深入理解，再融合機器學習算法，構(gòu)筑了針對特定檢測場景的小模型。

小模型的構(gòu)建旨在緊密匹配特定的業(yè)務(wù)場景和需求，強調(diào)的是針對性和高適應(yīng)性。通過專注和定制化的開發(fā)過程，小模型能夠在滿足行業(yè)特定需求的同時，提高操作效率和決策質(zhì)量。

但是，小模型存在過擬合的風險，即模型太過專注于訓練數(shù)據(jù)集中的細節(jié)和噪聲，以至于它在新的、未見過的數(shù)據(jù)上表現(xiàn)得不好。這使得其落地前提是必須對數(shù)據(jù)進行規(guī)范化和標準化，使得數(shù)據(jù)分布和比例達到最佳狀態(tài)。模型的開發(fā)和調(diào)優(yōu)需要專業(yè)人員的參與，要求他們既熟悉AI技術(shù)，也了解行業(yè)專業(yè)背景知識。

而很多客戶企業(yè)并沒有這樣的人才儲備。

2022年，大模型技術(shù)的突破給上述問題的解決帶來了希望。

相比于小模型，大模型有更強的兼容性和穩(wěn)定性。大模型的設(shè)計不受數(shù)據(jù)復雜性的限制，無需對場景理解過于深入，只需足夠多的數(shù)據(jù)進行訓練，無需過多的參數(shù)調(diào)整或架構(gòu)設(shè)計。在更加簡便地處理各種類型的數(shù)據(jù)的同時，還不會出現(xiàn)過擬合的現(xiàn)象。

概言之，大模型的出現(xiàn)可以大幅降低模型落地的門檻。

長期思索于如何將機器視覺系統(tǒng)變得更好、更容易落地的格創(chuàng)東智積極響應(yīng)大模型的技術(shù)潮流，基于已有的大量數(shù)據(jù)和小模型來訓練和開發(fā)自己的大模型。

但是要直接把大模型落地在客戶側(cè)又存在新的問題，就是在實時工業(yè)場景中推理需求的高資源消耗與成本壓力難以滿足連續(xù)快速檢測與生產(chǎn)流程的無縫對接。

格創(chuàng)東智的解決辦法是，先在內(nèi)部訓練大模型，而后再針對特定場景進行“模型瘦身”。這樣做的好處是，利用大模型進行學習和提取特征，可以更高效地訓練出小模型，訓練過程中所需的數(shù)據(jù)量也大幅減少，使得模型的落地應(yīng)用變得更加便捷和可行。

此外，為了提高產(chǎn)品交付性，天樞AI視覺檢測系統(tǒng)還開發(fā)了可視化功能，通過將模型開發(fā)過程簡化為直觀的拖拉拽操作，使得非AI專家的普通IT人員也能輕松開發(fā)和優(yōu)化AI模型。

客戶可以從一系列預設(shè)的子模型和算法中選擇，通過簡單的操作將它們組合起來，構(gòu)建出滿足特定需求的模型，無需深入了解背后復雜的算法細節(jié)。這樣一來，很多客戶企業(yè)無需額外投入巨大的人力成本，就可以享用到最新的機器視覺技術(shù)的賦能。

AI對工業(yè)智能進程的影響有多大，除了機器視覺領(lǐng)域，工業(yè)智能應(yīng)用還能通過精準控制、智能分析、自動化生產(chǎn)、質(zhì)量追溯等多種手段，能有效提高產(chǎn)品質(zhì)量，引領(lǐng)制造業(yè)的數(shù)字化轉(zhuǎn)型升級。

以“智”提質(zhì)，引領(lǐng)工業(yè)智能新時代。在實現(xiàn)新型工業(yè)化的征程中，格創(chuàng)東智將持續(xù)發(fā)揮自身技術(shù)優(yōu)勢，致力于將更多軟硬一體的數(shù)字化應(yīng)用成果轉(zhuǎn)化為實際生產(chǎn)力，為高質(zhì)量發(fā)展注入源源不斷的新動能，探索工業(yè)智能的無限可能。