分享人：汪彪 高级算法专家，达摩院工业视觉智能团队负责人
正文：
本篇内容将通过三个部分来介绍”见微”工业视觉智能孵化器。
一、工业视觉概览
二、”见微”工业视觉智能产品介绍
三、”见微”工业视觉智能产品实例
一、工业视觉概览
很多同学可能都有一个英雄梦，那怎么样成为一个英雄呢？在中国古代的三国志里面有一个英雄人物叫吕布。有一个关键词叫公马娴熟，膂力过人。意思就是说，一个普通人能够熟练地使用弓，必须经过大量的技能的训练。弩的出现改变了这一切，弩是让普通人不经过任何训练，就能够熟练掌握的一种武器。从这小故事，大家可以看到，武器技术的进化这，让普通人成为战士的门槛逐渐的降低。
我们团队在2017年就开始介入整个工业视觉智能领域，并一直坚持到现在。对一些复杂的场景提供多模型组合的能力，除了公共云产品，我们还有有很多线下的独立训练。让普通工程师，成为专业工业视觉AI应用开发专家的门槛逐渐降低。
我们来看一下，将为平台产品需要解决的问题，以及技术核心的落地案例。在所有的行业里，包括光伏，冶金，化工，汽车。我们的定位在视觉缺陷质检领域。从价值的区分程度上来看，有四个重要目标。第一个，帮助客户降低成本。第二个，增加效率。第三个，提升产品品质。第四，帮助客户实现柔性定制。
在工业视觉领域，我们面临着非常多的挑战。由于工艺，原材料，管理原因的不同，我们很难得到一样的产品。很多人都采用定制化的方法来解决，工业视觉AI的解决方案。比如设备定制化的算法。
采用定制化的方法解决工业视觉的需求，有三大挑战。分别是：数据挑战，AI模型训练，挑战以及AI模型部属的挑战。
每个行业的数据和场景非常多。它的标注成本非常高。同时，在工业视觉里对应的瑕疵异常，它的类别分布非常不均。
AI模型训练同样有三个挑战。第一个，深度学习模型的人才要求非常高。相关报告显示，当前工业视觉领域的从业人员，硕士及以上的人员占比接近70%。第二个，整个工业AI视觉，对算法的调优要求非常高。第三个，在深度学习模型的训练部署中，依赖很高的算力，训练部署成本都非常高。
AI模型部署，同样有三大挑战。第一个，它的运行部署环境多样。包括GPU，NPU。第二个，客户对最终的部署成本非常敏感。第三个，整个应用场景的模型迭代非常频繁，模型迭代更新的要求非常高。
在数据AI模型的训练和部署的挑战，是我们解决工业定制化痛点的关键。我们把以上的六个流程逐进行拆解。每一个环节进行算法的创新剖析。最终形成了好用的工具化产品。
第一环节，我们需要一个样本标注管理，以及训练集，测试集的划分。同时，我们在模型管理方面，基于达摩院的能力，我们在钢铁，光伏行业提供了一些技术模型定制。对于检测，分割，分类我们也提供了比较好的基础模型。第二，我们用可视化的方式，提供了一系列数据管理的工具。利用这个工具帮助大家进行自动的样本的清洗训练和数据集的划分。第三，针对工业样本标注成本比较高，样本较少的特点。我们提供了八种标注工具。以线带面，从而实现标注效率的提升。
对于AI模型训练来讲，我们提供了一个月训练模型，进一步用可视化的界面，允许开发者用低代码的方式来实现模型的更新。同时在训练过程中，针对样本不均的问题。我们提供了自动样本均衡的一些策略，来帮助大家得到更高精度的模型。
对于模型测试来讲，我们以报表和报告的方式，让开发者够基于我们的平台，对当前训练模型的性能进行评估。最后，针对多个不同的应用场景。我们提供了一系列的部署工具。包括API服务，私有化的SDK边缘端定制以及在线调优和迭代。
二、”见微”工业视觉智能产品介绍
我们在制造的过程中，针对工业视觉AI的需求，我们的产品主要包括数据标注，模型训练，模型部署三个步骤。同时，提供缺陷检测品的分类以及工业巡检的API能力。我们希望这产品，能够帮助大家在工业视觉AI的需求里洞见先机。同时做到无微不至的服务。
该平台主要有三个特点，概括为简单，便捷，可进化。从业务的视角，我们对整个流程进行划分，提供较好的数据管理导入工具。同时提供一系列的能力，帮助客户针对特定场景AI模型更好的训练。最后，针对比较分散的部署环境要求。我们提供了多平台部署的能力。我们的AI平台，提供了一系列的智能标注，界面化的操作以及代码操作。帮助客户便捷地开发对应场景的AI能力。最后，这个平台可以在运行过程中，基于已经训练的模型和运行过程中出现的新瑕疵，来进行模型的迭代和更新。
“见微”只需要通过简单的六步，就能实现工业视觉AI能力的定制开发。第一个，找到对应客户的这技术指标。第二，根据技术指标要来确定软硬件一体化的方案。并在对对应的生产线上采集数据。第三，利用“见微”针对已经采集的数据，进行样本标注。第四，利用“见微”进行模型训练。第五，通过“见微”提供的工具，用可视化的方式判断当前模型，能否满足特定场景的新要求。第六，把视觉模型部署到对应的硬件环境。从而得到对应的工业视觉AI应用系统。
“见微”的核心技术，只有三点。第一点是智能标注，第二点是半监督学习，第三点是小样本学习。这三个点都是解决工业视觉AI里特定的技术难点。比如工业视觉AI样本的标注，它的难度和成本都非常高。针对这一点，我们提供了迭代标注，智慧标注方式。从而有效地降低数据成本。第二个是，半监督学习。在工业场景里的难点是样本非常少。这种情况下，我们希望通过有限的标注样本，加上大量的无标注样本，进行联合训练。第三个是，小样本学习。在当前的工业场景下，良品率都较高，所以收集样本进行训练是非常困难的。做到了它山之石可以攻玉。
三、”见微”工业视觉智能产品实例
工业视觉AI开发的效率提升具体从五个方面进行介绍。第一，在利用“见微”平台时，通过半监督学习和样本增广，使标注效率提升20倍以。第二，通过困难样本挖掘和AI辅助标注，把所需的样本数降低到原来的25%。进一步的利用，我们的训练效率可以提升80倍，对应AI模型的调试阵容的成本可以提升40倍。最后，部署效率提升大概60倍。
我们在废钢领域，利用我们的教学平台落地的实际案例。废钢已经成为炼钢过程中，降低能耗和成本，优化炼钢产能的重要原料。现在目前使用的废钢种类比较多，如果没有准确的等级划分的话，光靠肉眼是区的偏差就很大。在达摩院工业视觉智能产品的帮助下，实现了在钢铁生产过程中，原材料质检环节的重大突破。现在冀南钢铁实现了不受环境因素及个人主观因素干扰的高精度，高效率自动帮助企业节省不必要开支。随着我国钢铁行业的发展，废钢这一钢铁生产的关键要素，通过智能定级与炼钢过程的标准化和智能化完成了完美对接。我相信废钢智能定级能为钢铁行业带来持久而深远的价值。
“见微”。除了公共云版本，独立训练版本之外，我们会和特定的合作伙伴，针对一些场景开发我集成组合办。这是一个具体案例，“见微”联合他们自己的上位机和最终的部署环境，开发了一个针对特定场景的缺陷检测系统。上图是总的架构图。
这是针对这个铝扁管的缺陷设计的应用系统。它的缺陷检测精度达到了98%。最终实现了，相同系统的国产化替代。
最后是对未来的展望，“见微”平台针对工业碎片化场景，开发的低代码，可配置的型产品。机器视觉产业联盟组织了很多的工业企业一起为工业视觉智能提供综合的解决方案。很多高校都设立人工智能专业，来弥补当前行业AI人才的缺口。我们一定能够实现工业视觉AI的繁荣。
