现在我们都在讲智能制造，而实现智能制造，需要有传统制造的部分，比如设备、人员、工艺流程等，还需要IT技术部分，比如计算、分析、建模等等，怎么衔接二者就是自动化需要做的事情-数据采集、控制信号的传递与执行。
可以将自动化发展分为两部分。
一个是“基础自动化”，它以控制为核心。另一个是“前沿自动化”，它除了以控制为主要功能外，还包括运用各种技术工具延伸人的信息感知、分析处理、决策控制和执行优化的能力。
“基础自动化”显然不是“未来发展方向”的主要指向，但“前沿自动化”也脱离不了“基础自动化”的支撑，离开了控制器、变频器、驱动、工业监控软件的自动化就失去了原有的面貌，也就脱离了自动化的根基。
这里主要就谈谈“前沿自动化”。我觉得上面说到的各种技术工具就是计算机、通信、物联网等学科，而使用这些技术工具所要实现的往往是信息化、智能化，也就是人工智能。得益于各种算法的实现与优化，人工智能在自动化领域发挥着越来越重要的作用。而自动化专业主要的任务并不是研究这些算法，而是使用与调节参数，以符合我们的场景需要。
接下来我就举一些百度飞桨人工智能平台在制造业的应用实例。
第一个是中兴克拉—厂区传统仪表统计监测，工矿企业传统机械指针表的人工数据采集面临着诸多挑战：厂区范围大，仪表位置分散，人工巡检—遍的耗时长，且无法实时监测，给设备的安全运行带来了风险;仪表种类多，人工读表容易产生误差。中兴克拉应用飞桨深度学习开源框架的检测、压缩、部署等全流程功能，实现了对多种类多尺度仪表的分割、检测和读数，并在上线后大幅提升了仪表的读数效果。
第二个是新能源汽车锂电池隔膜的质检，作为新能源汽车电池的重要组成部分，隔膜的作用是隔离电池的正负极。如果隔膜存在绝缘材料的漏涂、异物、孔洞等问题而未检出，很可能会造成电池和新能源汽车自燃。大恒图像应用飞桨深度学习开源框架研发电池隔膜智能质检算法，相对于原始方案的缺陷检测精度大幅上升，且上线速度提升了 50 倍。大恒图像完成算法设计及整体系统搭建之后，实现 82%的分割准确度，98%的缺陷分类精度，且上线后相比于传统方法的浅缺陷检测精度提升30%，质检时间将至达 2 毫秒，比传统方法提升 50 倍。
第三个是工厂人员违规行为检测，工厂人员管理一直是工厂正常运营的重要管理模块，使用计算机视觉技术，在工厂实现工作服穿戴检测、员工到岗和离岗检测、员工疲劳检测等人员管理的场景 AI 化，可以帮助客户提升工厂人员管理效率并降低企业管理成本。上海音智达借助百度飞桨平台，基于视频流数据实现了净化间穿戴检测、到岗 / 离岗检测、疲劳检测等功能， 并在客户方成功上线，推理速度达到了 5FPS，事件级别违规识别准确率平均在 90% 以上，满足了上线要求。
第四，随着经济社会发展，我们对工业产品也提出了越来越高的要求，生产自动化、高效化需求日益增加，安全生产更是备受重视。在接线机柜场景下，有大量的设备间端子排接线，而这些端子排接线的正确与否直接关系到生产安全甚至是人身安全，对其进行检测是企业生产的必要环节。然而，大量的生产需求使得检测工作越来越繁重。目前，对接线柜的检查主要依靠人眼目检或者人工手持扫描设备扫描检测。这两种检查方式都离不开人员作业，消耗大量人力资源，无法适应自动化生产的要求。人眼目检不仅效率低，而且随着人眼的作业疲劳，检测准确性大大降低。人工手持设备扫描效率低、误检、漏检率高。发现人工检测效率比较低的问题后，国机智能技术研究院对检测中的几种方法进行了比较。人工检测存在成本高、效率低、检测标准不统一的问题。传统机器视觉技术的辨别能力比较差，抗干扰能力弱，对圆柱面上的字符识别效果不佳，算法无法复用。深度学习技术的适应能力强，算法精度高，模型可复用，意义可迭代，具有很强的产业升级的潜力。针对深度学习落地中面临的问题，国机智能技术研究院找到了解决方案，使用百度飞桨 PaddleOCR进行线号管上英文字符及数字的检测。经过多次测试，识别成功率较别的OCR方法已经相对较高，且实现操作简便，代码量小。在不同光纤环境、线号管平整度也识别较好。
未来技术、专业之间的界限变得模糊，技术之间的深度交叉-“合力”起来解决领域以及行业遇到的问题。以“智能传感”为例，传感技术属于自动化技术中的一个小分支，而智能算法其实属于人工智能技术范畴，“智能传感”最终体现在应用环境中的一个产品-“智能传感器”或者“智能传感系统”，而这又离不开通信技术，传输途径可以是5G信号。这样，未来的自动化无论作为专业还是作为技术方向，其实与物联网、通信、计算机技术等不再有非常清晰的边界，根据场景不同，把它划分到目前的叫法中是可以的，但其实都已经变成了交叉学科，这就是未来的方向，而它们的交叉融合无非是向着智能化去的。
