騰訊云趙建春：騰訊云人工智能在工業(yè)互聯(lián)網領域的落地實踐 | CCF-GAIR 2020

消費互聯(lián)網時代，誕生了“BAT”等高市值的企業(yè)，深刻地影響著我們的生活學習。工業(yè)互聯(lián)網時代，“BAT”將如何續(xù)寫輝煌？

8月7日-8月9日，坐標中國深圳。2020 全球人工智能與機器人峰會（CCF-GAIR）于深圳前海華僑城 JW 萬豪酒店啟幕，大會由中國計算機學會（CCF）主辦，雷鋒網、香港中文大學（深圳）聯(lián)合承辦，鵬城實驗室、深圳市人工智能與機器人研究院協(xié)辦。

在8月9日壓軸舉辦的『工業(yè)互聯(lián)網專場』上，騰訊云副總裁趙建春做了題為《騰訊云人工智能在工業(yè)互聯(lián)網領域的實踐》的重磅演講。當前，騰訊云依托C端積累，借助騰訊AI-Lab、騰訊優(yōu)圖、微信人工智能三大AI實驗室，正打造騰訊全棧AI能力。

談及騰訊云工業(yè)產品整體架構，趙建春表示：

“其底層是外界熟知的IaaS平臺、物聯(lián)網平臺和5G通信的基礎能力；之上是四大基座，包括工業(yè)大數據基座、工業(yè)業(yè)務基座、工業(yè)營銷基座和工業(yè)智能基座；再往上是支撐服務生態(tài)的產品和生態(tài)，包括工業(yè)生態(tài)能力、行業(yè)定制、生態(tài)集成，去共同支撐為區(qū)域企業(yè)提供數字化解決方案的平臺，目前在全國落地了8家。還有項目牽引和基座做的泛工業(yè)解決方案。”

雷鋒網了解到，工業(yè)智能基座，底層是騰訊的基礎云，之上是基礎服務產品、大數據能力、AI能力、引擎、計算機語言識別、自然語言處理。往上是做應用服務產品，包括騰訊云人工智能服務平臺、智能對話平臺、數據資產管理平臺等。向上會做各種單向的應用，比如說人臉核身、文字識別、人臉識別和圖像識別等。更上面是行業(yè)解決方案，比如說智慧工業(yè)、智慧交通等。

最后，趙建春剖析了騰訊在工業(yè)AI領域的具體實踐案例，比如華星光電面板ADC（自動缺陷檢測）項目、工廠（大型裝配）人員工效優(yōu)化項目、設備預測性維護項目、能源行業(yè)知識圖譜項目等諸多案例。

以下為趙建春的演講全文，雷鋒網在不改變原意的基礎上進行了編輯和整理：

各位朋友，大家下午好。非常榮幸能夠在這里和大家分享騰訊云人工智能在工業(yè)互聯(lián)網領域的案例和實踐。

人工智能的概念是在1956年提出來的，到現(xiàn)在已經有60多年的歷史，期間經歷過幾次的高潮和低谷。最近20年可以說是人工智能快速發(fā)展的20年，主要是受互聯(lián)網、移動互聯(lián)網的需求驅動，尤其是移動互聯(lián)網，人工智能在消費互聯(lián)網里面積累了豐富的經驗，現(xiàn)在開始走入到產業(yè)互聯(lián)網和工業(yè)里面來了。

騰訊今年正好是22年，比較完整經歷了互聯(lián)網和移動互聯(lián)網的年代，在內部也積累了非常多的人工智能的經驗。同時，形成了騰訊AI Lab、騰訊優(yōu)圖、微信人工智能實驗室，現(xiàn)在正依托騰訊云把這些實驗室積累的人工智能的能力向產業(yè)界進行輸出。尤其是優(yōu)圖實驗室，因為它隸屬于云與智慧產業(yè)事業(yè)群，它更是這個能力輸出的排頭兵。

由于咱們論壇是工業(yè)互聯(lián)網論壇，我介紹一下騰訊云工業(yè)產品的整體架構：

• 在底層是大家熟悉的IaaS平臺、物聯(lián)網平臺和5G的基礎能力；

• 之上是四大基座，包括工業(yè)大數據基座、工業(yè)業(yè)務基座、工業(yè)營銷基座和工業(yè)智能基座；

• 再往上是支撐服務生態(tài)的產品和生態(tài)，包括工業(yè)生態(tài)能力、行業(yè)定制和生態(tài)集成；

• 在最上面，是共同支撐為區(qū)域企業(yè)提供數字化解決方案的平臺，目前在全國落地了8家，還有項目牽引和基座做的泛工業(yè)解決方案。

再看看工業(yè)智能基座，底層也是我們的基礎云，之上是基礎服務產品、大數據能力、AI能力、引擎、計算機語言識別、自然語言處理。往上做應用服務產品，包括騰訊云人工智能服務平臺、智能對話平臺、數據資產管理平臺等。向上會做各種單向的應用，比如說人臉核身、文字識別、人臉識別和圖像識別等。更上面是行業(yè)解決方案，比如說智慧工業(yè)、智慧交通等。

基于這些能力，在過去幾年騰訊云嘗試非常多的工業(yè)領域的AI應用，有很多的收獲，也有不少的教訓。其中，最大的感受是落地工業(yè)AI是挑戰(zhàn)和機遇并存的。

挑戰(zhàn)包括：工業(yè)企業(yè)IT基礎薄弱；業(yè)務門類多，差異大；需求零散、通用性差；定制化需求強；數據積累薄弱；可借鑒經驗少；跨界人才短缺；項目周期長，溝通多。

機遇則是，新基建政策支持；世界最大制造業(yè)國家；從中國制造到中國智造轉型升級；最完整的產業(yè)鏈；萬億規(guī)模工業(yè)互聯(lián)網市場；云+AI大幅降低門檻；人力成本逐年攀升；人工智能技術的成熟。

如果大家也做這個領域的事情時就會有同樣的感觸，下面我給大家介紹一些騰訊在工業(yè)AI領域實踐的具體案例。

華星光電面板ADC

首先來看一下，我們和合作伙伴給華星光電做的ADC自動缺陷檢測項目，這個項目的背景是這樣的：

• 華星光電是深圳建市以來，單筆投資最大的工業(yè)項目，達到443億的投資。

• 我們需要在7×24小時的不停擺產線中嵌入AI系統(tǒng)運行，這個系統(tǒng)是不能停擺的，否則會造成比較大的經濟損失。

• 產線在每個工序之后，需要對玻璃基板上的缺陷進行顯微拍照和分類，分類之后進行修復或丟棄；因為如果是有殘次的面板，進入下一個環(huán)節(jié)，產生成品的時候，殘次品就會造成更大的經濟損失。

• 之前質量檢測是人工進行的，每個工人每天要檢測超過1萬張照片，而且是小黑屋看電腦，很枯燥，檢測面臨著人力需求大、培訓上崗周期長（2-3個月），離職率達到20-30%。

• 人員判別準確率會受個人經驗和狀態(tài)影響，有誤判漏放情況發(fā)生。

華星光電從立項到真正交付使用達到可靠的標準，這個經過了比較長的時間，并不像想象中那么順利，前后經過了一年多的時間。

之所以這樣，是我們的工程師需要對這個領域的知識和缺陷進行學習和理解；工廠需要給我們提供大量的樣本數據，并且工人用的額外時間對樣品進行打標和分類，花了很多的時間，經過很多次的交互；圖片處理也不像之前想象的用深度學習分類一下就好，主要還是分類的樣本很少、分類不足、部分分類少、分類不準的問題。實際環(huán)境還有圖片傾斜、尺寸偏差、顏色偏差的問題，這些問題之下，需要進行缺陷的定位，然后對缺陷進行分類，分類的同時還要判斷缺陷對液晶面板造成的金屬相交和斷線的問題，這些都是因為要在核心系統(tǒng)里面嵌入自動化的系統(tǒng)替代人工。

整體的方案如上圖所示，電路板因為保密的因素只截了很小部分。主要框架是這樣，圖片先做傾斜校正、尺寸校正、顏色校準，再用深學習分類，同時，通過金屬切片的模板摳圖來做電路板的相交和電路分析。首先是縮放校正和尺寸校正，前面的圖可以看出有大量的水平或垂直線，先用LDS篩選長線段做傾斜角度的估計然后進行傾斜的校正，校正完之后會再檢測長水平線和豎直水平線，并對水平和垂直方向上的直線做聚合，找出最大間距，以此進行判斷，然后進行縮放的校正。

同時，由于生產環(huán)境和相機參數的問題，同一個生產環(huán)節(jié)的照片和顏色的差異。再由于時間和人力的限制，訓練極的顏色和實際生產的顏色也有比較大的偏差，在推理之前，會對圖片進行RGB均值聚類，之后再推送到分割網當中去。大部分圖片是黃褐色和棕色，少量呈現(xiàn)紅色，如果把訓練數據僅包括1和3的黃綠色圖片，生產環(huán)境當中存在24這樣的總褐色圖片，表現(xiàn)是很不理想的。

在圖像的校正完成之后，下一步就是缺陷的定位，由于之前的樣本數量比較少，同時存在小樣本覆蓋的問題，所以采用了“周期對比+語義分割+深度學習”的方式，因為面板存在著大量的重復性周期，對于超過3個重復性周期就采用重復對比的方式，選定一個區(qū)域的像素，比相同周期的像素過大或者是過小，這個點就是缺陷點。

這個方法好處是準確性比較高，不足是周期性比較少的區(qū)域和邊緣區(qū)域效果不太好，對于周期性比較小、邊緣區(qū)域就采用標準語義分割的方式進行像素的聚類，之后分類，再找到缺陷。好處是比較簡單，不足是需要大量的標注，標注的區(qū)域比實際的缺陷要大，因為人的標注比實際標注大一點。

做完缺陷定位之后就進行深度學習的分類，我們可以看到深度學習網絡分類之后，再投射到二維鏡面，這是分類的花瓣圖。同時，在項目中，客戶不僅關心面板上的缺陷類型，他還關心這個缺陷對于電路造成的影響，比如說缺陷落在金屬上，導致金屬斷路。金屬殘留落到金屬上，可能會造成金屬的短路。所以，我們對金屬面板摳圖模板的分析，這是金屬器件的模板。我們用金屬殘留和線路進行相關性的獲取，比如說第一個是金屬殘留，進行相交操作的時候，發(fā)現(xiàn)它和兩個金屬線都有交集，這樣我們就能判斷這個金屬殘留對于電路造成的短路影響。第二個金屬殘留和這兩條線進行交集時，發(fā)現(xiàn)它并沒有交集，就說明它對電路不造成影響。雖然有金屬殘留，但是不影響電路板的性能。還有殘缺，殘缺和金屬線相交之后，發(fā)現(xiàn)了斷路，造成斷路影響。還有一種更復雜的情況，這些金屬是成組的，這一排是互相連接的，有金屬落在上面不產生短路，但是上下兩排相交會造成短路。

華星光電項目初期很多工作是獨立實現(xiàn)的，效率比較低，最終項目交付之后，總結項目經驗，打造工業(yè)平臺，封裝數據、任務管理、微服務、容器化等的服務，用可視化、拖拽式來管理，大大提高工作效率。現(xiàn)在模型訓練和調優(yōu)至少提升60%的效率。項目上的周期也縮短到了“周”的級別。

這個項目意義還是蠻重大的，首先它是目前為止國內最大規(guī)模的工業(yè)AI質檢項目，也是首個應用到核心工作生產環(huán)節(jié)的項目，并不是輔助項目，而是直接在核心環(huán)節(jié)的項目。質檢覆蓋率超過80%，同時，每年為客戶節(jié)省成本超千萬元。檢測速度比之前的人提升5-10倍，分類準確率接近90%高于人工的80%。相比人工質檢有更高的穩(wěn)定性和擴展性，因為人的產能快速提升，質檢的工作很難跟得上。

工廠人員工效優(yōu)化

相比液晶面板這樣的高度自動化的產線的情況，在機械裝備業(yè)、制造業(yè)，對現(xiàn)場工人的依賴更加的明顯。我們來看某大型客機公司的效率優(yōu)化項目。

這是我們和合作伙伴一起為空客做的項目。空客做客機裝配時，它有800多萬個零件，由好多個工人裝配數月，這個裝配不像咱之前想象的是汽車的高度自動化的，它也很自動化，但是還是有大量的人工裝配過程。

我們就和合作伙伴通過分析裝配車間的攝像頭、拍照視頻，對圖像識別技術對現(xiàn)場工人匿名分析，分析非常頻繁的路徑、路徑和裝配的貨位之間的關系進行合理的分析。

基于人體識別和軌跡追蹤的視覺算法，為生產管理和優(yōu)化提供可視化的數據，為人員提供可視化的統(tǒng)計、為工序貨位提供可靠依據，同時依靠電子圍欄，劃定安全的生產區(qū)域，防止出現(xiàn)這樣的安全生產的問題。下面是人員優(yōu)化的工效可視圖，藍色的是有效的工作時間，灰色的是無效工作時間。如果說把藍色的柱狀圖有明顯的提高，其實這個裝配效率會有大大提升，同時，也會帶來很明顯的經濟效益。

設備預測性維護

下面是常見的設備維護性的項目，是落地的案例。在工業(yè)里面的煉油、煤礦焦化都是流程性的行業(yè)，單個設備、核心設備價值很高，同時，產品比較單一，需要通過大規(guī)模的生產來保證規(guī)模化的效應，同時需要連續(xù)的生產來保持利潤。如果一旦核心設備產生故障就會造成非常大的損失。

2011年的時候某國有煤礦企業(yè)一個齒輪機的損壞，造成了一個月的非計劃性停產，導致5.9億產值的經濟損失。因此，保證核心設備的健康運行，及時發(fā)現(xiàn)故障是非常重要的。

我們?yōu)槟趁旱V企業(yè)做了煤礦的皮帶機的預測性維護，通過信號采集、干草堆現(xiàn)象分析、包絡解調、特征信號識別等手段確定軸承外圈損傷，我們給出預計剩余壽命10個月，建議企業(yè)提前進行采購，這樣就避免了超億元的損失。

騰訊也打造了設備健康管理，借助智能診斷算法可以發(fā)現(xiàn)設備早期的故障，結合小程序助手來幫助企業(yè)從容面對故障維修。這是現(xiàn)在的小程序，你可以進行設備故障的監(jiān)控，監(jiān)控出現(xiàn)異常的及時上報，在線進行維修會簽、審批、維修，最終來完成閉環(huán)的流程。

現(xiàn)在我們也支持齒輪箱、電機、振動篩、空壓機、煤磨、泵、風機、輥壓機、液耦等等。還有這些品類和品牌，并不斷的擴充當中。

能源行業(yè)知識圖譜

下面看能源行業(yè)知識圖譜項目，能源行業(yè)數據量大、經驗分散，同時基礎的監(jiān)控、測量數據上報非常大量，同時在運維現(xiàn)場時，資料查詢、異常發(fā)生相似度搜索、輔助診斷和輔助決策一直是比較大的挑戰(zhàn)，為此我們通過結合物聯(lián)網進行數據采集、和基礎數據的采集，共同打造了物聯(lián)認知大腦，結合圖神經網絡、業(yè)務算法模型來共同做設備運行狀態(tài)的感知。

線網運行風險預測、設備故障告警的判斷、檢修自動生成，設備智能監(jiān)控、設備知識查詢、智能調度和智能醫(yī)生等。

這個系統(tǒng)不僅僅可以能源行業(yè)應用，只是我們先應用在了能源行業(yè)。在電力系統(tǒng)里面我們已經多次的進行了應用，當異常的時候，大腦可以進行搜索，搜索當前的設備在歷史上的運行狀態(tài)，可以數十倍提升診斷效率。就像醫(yī)生看病一樣，出現(xiàn)故障時，醫(yī)生可以通過歷史上很多不能說的經驗，而找到這樣的相似案例，大大提高效率。

工業(yè)AI視覺巡檢

下面是工業(yè)AI視覺巡檢案例，工廠的規(guī)范，安全生產是制造業(yè)行業(yè)非常重要的工作，以前是靠各種流程規(guī)范和約束，以及人員進行巡檢、抽檢保障，現(xiàn)在結合AI的機器技術，通過圖像采集，對數據進行標注、訓練、封裝，通過數據BI的展現(xiàn)，還有聯(lián)動告警平臺，很好解決安全生產的問題，并且協(xié)同實現(xiàn)聯(lián)動告警、聯(lián)動人員績效考核、聯(lián)動應急指揮、聯(lián)動門禁和禁區(qū)管理等等的工作。

這個是我們聯(lián)合合作伙伴為某大型家電制造企業(yè)打造的AI視覺巡檢的項目，大家可以看到工人正在施工做產線的工作，底下就會自動發(fā)現(xiàn)沒有按照標準規(guī)范操作的異常操作，及時的進行提醒，右邊是定義的規(guī)范操作，圖中1234都有標準的操作，如果沒有按照規(guī)范操作，就會進行相應的聯(lián)動處理、報警。

由于時間的關系，我們還做了很多和工業(yè)AI相關的嘗試沒有辦法一一向大家介紹，后面的四個項目也只是簡單地介紹了一下。

工業(yè)領域的AI項目很多都是剛剛起步，行業(yè)知識多且深、跨界人才少，AI介入核心環(huán)節(jié)困難重重，但當我們解決一個問題之后就像爬過一座山峰，回頭看的時候，爬過的辛勞和困難都已經成為過去，不再痛苦，并且成為寶貴經驗。

向前看的時候，正因為我們解決了具體的困難和問題，我們可以到新的不同的地方，比如說湖、島和森林，有了更多的可能，比如華星光電就從原來有人工中斷的過程變成更加全自動的過程。

因此，騰訊云也希望和您一起越過一個個山峰，共同遇見更多美好和可能。這里的您有兩個意思，一是我們希望有更多工業(yè)AI領域的合作伙伴和我們合作，去一起打造垂直領域的人工智能解決方案。

工業(yè)領域的行業(yè)知識非常深，騰訊很難深入到每個行業(yè)，所以，就需要合作伙伴和我們一起來打造這個行業(yè)的解決方案。另外，我們希望有更多的工廠、企業(yè)愿意把自己的生產環(huán)境當中想用智能化解決的問題交給騰訊，讓騰訊和騰訊的合作伙伴一起來解決，幫助企業(yè)和工廠來實現(xiàn)智慧工廠，智能制造的能力。

以上是我今天的分享，謝謝大家。雷鋒網雷鋒網

雷峰網原創(chuàng)文章，未經授權禁止轉載。詳情見轉載須知。