智能製造的檢測難題，AI如何解決？

微波爐角落裡的型號編碼、冷氣機背面不顯眼的小螺釘、冰箱側身的標簽，它們的品質檢測是生產線中最費人工的地方，也是製約智能製造的老大難。

如果哪天這類瑕疵檢測不再需要人工，這樣的製造就真的稱得上智能。最近，這一難題被美的和英特爾攻克了！美的與英特爾的人工智能專家用一套工業視覺檢測雲平台為智能製造“點睛”——未來，美的生產線上各類產品的檢測都將無需人工，視覺AI可以讓所有瑕疵無可遁逃！

破局：用AI對抗非標環境

品質檢測一直是製造工廠繁重瑣碎的工序，也是阻滯其智能化的痛點。

美的庫卡機器人視覺團隊摸索一年多，發現痛點的根源在機器檢測視覺應用環境的非標性——生產線環境複雜、產品多種多樣，光亮條件、產品表面性狀都不同，幾乎每一個項目都需要定製相機、光源、算法。

怎麽辦？ 攜手英特爾成為關鍵突破，AI人工智能提供了利器。

在人工智能領域布局良久的英特爾與智能製造的排頭兵美的走到了一起。英特爾至強可擴展處理器的可靠算力和英特爾Analytics Zoo 所包含的先進AI算法框架，再加上美的豐富的生產數據——最終，美的工業視覺檢測雲借力英特爾AI 橫空出世。

點睛：美的工業視覺檢測雲

美的工業視覺檢測雲平台採用了這樣的架構：前端影像收集-雲端大數據分析-深度學習模式識別，解決視覺檢測環境的非標難題。前端設備收集的影像數據通過4G 或Wi-Fi 傳輸到雲端，通過深度學習框架，經由訓練獲得非標準化視覺檢測特徵，最終打造出通用化、智能化的瑕疵檢測能力。

而這一過程實現的關鍵，是英特爾AnalyticsZoo 大數據分析+AI 平台。

英特爾Analytics Zoo是一個統一的大數據+人工智能平台，支持基於Spark的分布式TensorFlow、Keras和BigDL，目的是方便用戶開發基於大數據、端到端的深度學習應用。

此外，至強可擴展處理器全新的微架構帶來了計算能力的飛躍，也能夠有效應對製造業繁複的數據處理任務。

美的工業視覺檢測雲平台架構

通過對Analytics Zoo上模型和算法的優化，美的工業視覺檢測雲平台能夠在大約50毫秒之內完成對圖片的讀取和處理，模型推理也僅需124毫秒。

Analytics Zoo 的流水線支持還讓開發周期大大縮短， 非標環境的識別難題就這樣輕鬆搞定！美的視覺研究所所長胡正總結道：“應用的開發周期從之前的兩到三個月，縮短到現在的半個月。兩個月內就可以複製到九條生產線，未來我們還會複製到更多的生產線。”

英特爾人工智能為美的工業視覺檢測雲提供了“秘密武器”，成為了智能製造的“點睛之筆”。想了解英特爾人工智能在更多行業的故事嗎？11月14日-15日，2018英特爾人工智能大會來啦！詳細的大會議程這就奉上，千萬不要錯過！

*此議程會持續更新，最終議程以大會現場為準，謝謝。