当前位置 > 首页 > 解决方案 > 工业制造 > 面向工业互联网的云边协同智能缺陷检测平台

面向工业互联网的云边协同智能缺陷检测平台

· 上海道客网络科技有限公司

 1　目标和概述 

近年来，国家提出“中国制造2025计划”，期望中国的制造业能从低端制造往高端制造与智能化生产发展，因此各企业争相利用高科技手段来提升产品质量， 改进产品研发与制造。部分企业尝试利用IoT+AI技术 来解决生产过程中的质量问题，但目前智能质量缺陷检 测手段往往存在以下问题：

 （1）为了提高AI检测缺陷的准确率，需要不断人 工介入提取并标记缺陷特征，而人工审片存在误检、漏 检等问题，且人工处理效率低下，增加了企业人力资源 成本，限制了生产效率及质量提升。 

（2）产品检测基于IoT技术，数据需要传送到云 端进行推理分析，对网络时延要求高，工厂现场容易受 到网络影响，从而导致识别延时较高。 

（3）产线检测设备虽然已经连接了网络，但更新 模型所需的运维工作量巨大，并且存在现场维护成本较 高、远程维护网络限制等问题，无法快速更新训练模 型，提升检测效率。 

企业亟需一套更为优越的智能缺陷检测平台解决方案，满足以下目标： 

（1）先进性：采用先进的架构设计与成熟的开发 框架，支撑企业未来整体架构优化和升级。 

（2）灵活性：部署灵活，不强依赖底层硬件环 境，实现异构设备的兼容及复用，帮助企业有效控制成 本。 

（3）开放性：通过标准化的开发与设计以及完备 的安全体系，将企业生产数据作为数字资源进行沉淀并 复用，加速企业数字化转型。 

（4）实用性：贴合实际应用场景，帮助企业有效 降低人工成本，提高生产效率 。 

道客基于工业互联网标准层次架构，以人工智能 与边缘计算技术结合为基础，研发一套面向工业互联网 智能工厂质量智能分析的云边协同智能缺陷检测平台， 实现质量缺陷检测模型一站式开发与运用、提升工作效 率、加速企业智能化数字工厂场景落地，促进智能边缘 处理技术成果转化和产品研发与推广。

 业务流程如图1所示。 

 图1 业务流程图 

 该方案对比其他以往传统的智能缺陷检测系统有三 大改进特点： 

（1）基于云原生的边缘计算资源管理技术。 

（2）基于云边协同的模型训练及推理的全生命周期 管理技术。 

（3）基于云原生的容器化部署及生产力管理技术。 

2　方案介绍 

2.1　系统架构 

 此云边协同智能缺陷检测平台的系统架构如图2所示。

 图2 系统架构图 

以下各软硬件子系统基于云边协同，共同完成智能缺陷检测的业务流程： 

（1）终端设备：采集工厂生产数据（图片、视 频、时序数据）。 

（2）边缘节点：

 · 承担边缘算力进行AI推理。通过云边协同能力，实现边端数据上传给云端。

 · 通过边缘管理平台自动化运维能力，实现将模型以容器化方式自动更新到边缘端，完成AI推理能力的更新。

 （3）AI PaaS平台：迭代训练，提高推理模型的识别精度和准确度。 

 （4）业务云平台：实现缺陷检测分析的服务化能力。

 2.2　云边协同平台功能架构 

云边协同平台的具体功能架构如图3所示。

 图3 功能架构图 

该云边协同平台主要功能包括： 

（1）边缘节点统一管理：支持批量接入海量的 边缘节点，兼容X86、ARM32、ARM64等芯片异构硬 件；相同类型的节点通过预安装证书和配置文件，开机 联网后即可完成节点的纳管，提高节点管理效率并降低 运维成本。 

（2）应用全生命周期管理：支持云端以镜像的方 式将模型、应用下发到边缘节点；声明式API配置规则 策略，自动化批量部署应用到边缘节点；云端统一对应 用进行全生命周期管理、监控和运维。 

（3）边缘设备管理：支持MQTT、Modbus协议 的设备接入；支持通过孪生属性对设备进行控制；并可 以监控设备运行状态。 

（4）边缘自治：当应用实例出现异常或节点故障 时，能够快速将应用实例调度到节点组中其它可用的节 点上运行；即使在节点处于离线状态时仍然能够自动调 度，确保应用的自主运行，保障业务的持续性；云边重 连后，支持边缘侧数据断点续传，减轻网络传输压力。 

（5）边缘智能管理：通过云端AI PaaS平台进行 迭代训练，提高推理模型的识别精度和准确度；通过边 端算力进行AI推理，减少对云边网络依赖及云端资源占 用。支持云端监控模型验证情况，通知用户进行模型下 发部署、增量更新，减少运维工作量。 

（6）数据协同管理：边缘端采集的工厂设备数据可通过云边数据通道，自动同步至云端；边端数据经过数 据路由组件处理后，可转发到云端或第三方应用，实现 边端数据共享与开放，实现对各业务场景的决策支撑。

 2.3　技术设计方案 

（1）数据采集（模块技术设计如图4所示）

 · 通过定制化设备Mapper，实现端设备与边缘节 点的控制/数据平面打通。

 · 通过边缘消息组件实现设备与设备、设备与应用 的边-端的控制/数据协同。 

 图4 数据采集设计图 

（2）数据协同（模块技术设计如图5所示）

 · 通过云边数据通道，实现云-边数据协同，将边端产生的实时数据自动同步云端。

 · 通过数据路由组件，对边端数据在云端共享与开放，实现对各个云端业务场景的决策支撑。

图5 数据协同设计图 

（3）模型协同（模块技术设计如图6所示）

 · 对边端采集的图片数据实时分析，通过难例算法 评估出需回传云端数据，减少云端模型标注/训练的工 作量。

 · 通过云端AI任务协调管理，触发云端训练任务， 并监控模型验证情况，通知用户进行模型的部署管理， 实现模型增量更新，减少人工运维工作量。

  图6 模型协同设计图

（4）模型部署（模块技术设计如图5所示）

 · 通过DevOps实现无基础设施相关性的AI模型部署；

 · 通过建立云边消息通道实现边缘模型的部署控制；

 · 通过建立云边数据通道实现模型的下载及增量更新。  

图7 模型部署设计图 

（5）数据安全

 · 支持云边双向TLS加密通信，实现数据加密传 输；

 · 支持多租户管理，实现租户间数据隔离；

 · 提供审计日志，保障用户操作可追溯。

 3　代表性及推广价值 

帮助电力行业某大型企业搭建了一套服务于集团内 部的云边协同智能缺陷检测平台，协助企业采集各产线 的生产数据，通过云边协同技术提升AI模型的精度与准 确度，沉淀出各类高技术含量的数字资产，并向云端其 他应用开放共享，帮助企业提高整体生产效率及生产质 量，实现降本增效。

 3.1　企业收益 

（1）通过边缘AI推理，提高评片效率与准确率， 降低企业成本。 

（2）极大地减少人工介入，自动审片效率成倍提 高。 

（3）根据数据的难例分析，实现模型的云边协同 训练，使得模型不断迭代更新，提高识别精度。 

（4）平台与其他系统互联互通，实现数据同享、 信息互通，可以根据结论报告进行溯源，实现检测闭环。

 3.2　创新性 

（1）基于云原生实现模型DevOps管理：基于云 原生技术支撑模型的标注、训练、构建、部署全生命周 期流程，提高模型开发效率。

（2）基于云边协同调度实现模型的自动化AI增量 学习：通过云边协同框架实现数据自动化上传，从而实 现模型的自动化增量训练学习，减少AI模型开发工作 量。 

（3）通过边缘应用容器化改造降低AI运行环境运 维难度：在边缘端使用容器封装技术，将AI模型依赖运 行时库封装到独立环境中，减少每次模型更新部署的运 维难度。 

（4）通过边缘容器管理引擎实现边端应用的高可 用：使用边缘资源管理引擎，实现边缘应用高可用及离 线自治能力，从而减少边端业务故障发生概率。

 3.3　方案价值 

（1）推动技术或商业模式创新 

依托云原生技术体系，将企业数字化基础设施下沉 至生产活动现场，围绕边缘节点自治、应用&模型一体 化管理以及生产活动数据对接三个核心维度，加强云边-端的联系，消除技术栈的不一致性。

 （2）赋能产业高质量发展 

在工业视觉、工业AI检测等业务场景中，能够为 这些客户提供与云端技术栈保持一致的边缘数字化基础 设施，提高云边协同的效率，并且降低运维管理成本。 将数据处理、业务应用、AI模型等下沉到边缘端执行， 解决物联网落地时响应实时性、数据隐私性、维护便利 性等问题，从而满足行业数字化在敏捷联接、实时业 务、数据优化、应用智能、安全与隐私保护等方面的关 键需求。

来源 | 《自动化博览》2023年第2期暨《边缘计算2023专辑》