★ 上海道客網(wǎng)絡(luò )科技有限公司

 1　目標和概述 

近年來(lái)，國家提出“中國制造2025計劃”，期望中國的制造業(yè)能從低端制造往高端制造與智能化生產(chǎn)發(fā)展，因此各企業(yè)爭相利用高科技手段來(lái)提升產(chǎn)品質(zhì)量， 改進(jìn)產(chǎn)品研發(fā)與制造。部分企業(yè)嘗試利用IoT+AI技術(shù) 來(lái)解決生產(chǎn)過(guò)程中的質(zhì)量問(wèn)題，但目前智能質(zhì)量缺陷檢 測手段往往存在以下問(wèn)題：

 （1）為了提高AI檢測缺陷的準確率，需要不斷人 工介入提取并標記缺陷特征，而人工審片存在誤檢、漏 檢等問(wèn)題，且人工處理效率低下，增加了企業(yè)人力資源 成本，限制了生產(chǎn)效率及質(zhì)量提升。 

（2）產(chǎn)品檢測基于IoT技術(shù)，數據需要傳送到云 端進(jìn)行推理分析，對網(wǎng)絡(luò )時(shí)延要求高，工廠(chǎng)現場(chǎng)容易受 到網(wǎng)絡(luò )影響，從而導致識別延時(shí)較高。 

（3）產(chǎn)線(xiàn)檢測設備雖然已經(jīng)連接了網(wǎng)絡(luò )，但更新 模型所需的運維工作量巨大，并且存在現場(chǎng)維護成本較 高、遠程維護網(wǎng)絡(luò )限制等問(wèn)題，無(wú)法快速更新訓練模 型，提升檢測效率。 

企業(yè)亟需一套更為優(yōu)越的智能缺陷檢測平臺解決方案，滿(mǎn)足以下目標： 

（1）先進(jìn)性：采用先進(jìn)的架構設計與成熟的開(kāi)發(fā) 框架，支撐企業(yè)未來(lái)整體架構優(yōu)化和升級。 

（2）靈活性：部署靈活，不強依賴(lài)底層硬件環(huán) 境，實(shí)現異構設備的兼容及復用，幫助企業(yè)有效控制成 本。 

（3）開(kāi)放性：通過(guò)標準化的開(kāi)發(fā)與設計以及完備 的安全體系，將企業(yè)生產(chǎn)數據作為數字資源進(jìn)行沉淀并 復用，加速企業(yè)數字化轉型。 

（4）實(shí)用性：貼合實(shí)際應用場(chǎng)景，幫助企業(yè)有效 降低人工成本，提高生產(chǎn)效率 。 

道客基于工業(yè)互聯(lián)網(wǎng)標準層次架構，以人工智能 與邊緣計算技術(shù)結合為基礎，研發(fā)一套面向工業(yè)互聯(lián)網(wǎng) 智能工廠(chǎng)質(zhì)量智能分析的云邊協(xié)同智能缺陷檢測平臺， 實(shí)現質(zhì)量缺陷檢測模型一站式開(kāi)發(fā)與運用、提升工作效 率、加速企業(yè)智能化數字工廠(chǎng)場(chǎng)景落地，促進(jìn)智能邊緣 處理技術(shù)成果轉化和產(chǎn)品研發(fā)與推廣。

 業(yè)務(wù)流程如圖1所示。 

 圖1 業(yè)務(wù)流程圖 

 該方案對比其他以往傳統的智能缺陷檢測系統有三 大改進(jìn)特點(diǎn)： 

（1）基于云原生的邊緣計算資源管理技術(shù)。 

（2）基于云邊協(xié)同的模型訓練及推理的全生命周期 管理技術(shù)。 

（3）基于云原生的容器化部署及生產(chǎn)力管理技術(shù)。 

2　方案介紹 

2.1　系統架構 

 此云邊協(xié)同智能缺陷檢測平臺的系統架構如圖2所示。

 圖2 系統架構圖 

以下各軟硬件子系統基于云邊協(xié)同，共同完成智能缺陷檢測的業(yè)務(wù)流程： 

（1）終端設備：采集工廠(chǎng)生產(chǎn)數據（圖片、視 頻、時(shí)序數據）。 

（2）邊緣節點(diǎn)：

 · 承擔邊緣算力進(jìn)行AI推理。通過(guò)云邊協(xié)同能力，實(shí)現邊端數據上傳給云端。

 · 通過(guò)邊緣管理平臺自動(dòng)化運維能力，實(shí)現將模型以容器化方式自動(dòng)更新到邊緣端，完成AI推理能力的更新。

 （3）AI PaaS平臺：迭代訓練，提高推理模型的識別精度和準確度。 

 （4）業(yè)務(wù)云平臺：實(shí)現缺陷檢測分析的服務(wù)化能力。

 2.2　云邊協(xié)同平臺功能架構 

云邊協(xié)同平臺的具體功能架構如圖3所示。

 圖3 功能架構圖 

該云邊協(xié)同平臺主要功能包括： 

（1）邊緣節點(diǎn)統一管理：支持批量接入海量的 邊緣節點(diǎn)，兼容X86、ARM32、ARM64等芯片異構硬 件；相同類(lèi)型的節點(diǎn)通過(guò)預安裝證書(shū)和配置文件，開(kāi)機 聯(lián)網(wǎng)后即可完成節點(diǎn)的納管，提高節點(diǎn)管理效率并降低 運維成本。 

（2）應用全生命周期管理：支持云端以鏡像的方 式將模型、應用下發(fā)到邊緣節點(diǎn)；聲明式API配置規則 策略，自動(dòng)化批量部署應用到邊緣節點(diǎn)；云端統一對應 用進(jìn)行全生命周期管理、監控和運維。 

（3）邊緣設備管理：支持MQTT、Modbus協(xié)議 的設備接入；支持通過(guò)孿生屬性對設備進(jìn)行控制；并可 以監控設備運行狀態(tài)。 

（4）邊緣自治：當應用實(shí)例出現異?；蚬濣c(diǎn)故障 時(shí)，能夠快速將應用實(shí)例調度到節點(diǎn)組中其它可用的節 點(diǎn)上運行；即使在節點(diǎn)處于離線(xiàn)狀態(tài)時(shí)仍然能夠自動(dòng)調 度，確保應用的自主運行，保障業(yè)務(wù)的持續性；云邊重 連后，支持邊緣側數據斷點(diǎn)續傳，減輕網(wǎng)絡(luò )傳輸壓力。 

（5）邊緣智能管理：通過(guò)云端AI PaaS平臺進(jìn)行 迭代訓練，提高推理模型的識別精度和準確度；通過(guò)邊 端算力進(jìn)行AI推理，減少對云邊網(wǎng)絡(luò )依賴(lài)及云端資源占 用。支持云端監控模型驗證情況，通知用戶(hù)進(jìn)行模型下 發(fā)部署、增量更新，減少運維工作量。 

（6）數據協(xié)同管理：邊緣端采集的工廠(chǎng)設備數據可通過(guò)云邊數據通道，自動(dòng)同步至云端；邊端數據經(jīng)過(guò)數 據路由組件處理后，可轉發(fā)到云端或第三方應用，實(shí)現 邊端數據共享與開(kāi)放，實(shí)現對各業(yè)務(wù)場(chǎng)景的決策支撐。

 2.3　技術(shù)設計方案 

（1）數據采集（模塊技術(shù)設計如圖4所示）

 · 通過(guò)定制化設備Mapper，實(shí)現端設備與邊緣節 點(diǎn)的控制/數據平面打通。

 · 通過(guò)邊緣消息組件實(shí)現設備與設備、設備與應用 的邊-端的控制/數據協(xié)同。 

 圖4 數據采集設計圖 

（2）數據協(xié)同（模塊技術(shù)設計如圖5所示）

 · 通過(guò)云邊數據通道，實(shí)現云-邊數據協(xié)同，將邊端產(chǎn)生的實(shí)時(shí)數據自動(dòng)同步云端。

 · 通過(guò)數據路由組件，對邊端數據在云端共享與開(kāi)放，實(shí)現對各個(gè)云端業(yè)務(wù)場(chǎng)景的決策支撐。

圖5 數據協(xié)同設計圖 

（3）模型協(xié)同（模塊技術(shù)設計如圖6所示）

 · 對邊端采集的圖片數據實(shí)時(shí)分析，通過(guò)難例算法 評估出需回傳云端數據，減少云端模型標注/訓練的工 作量。

 · 通過(guò)云端AI任務(wù)協(xié)調管理，觸發(fā)云端訓練任務(wù)， 并監控模型驗證情況，通知用戶(hù)進(jìn)行模型的部署管理， 實(shí)現模型增量更新，減少人工運維工作量。

  圖6 模型協(xié)同設計圖

（4）模型部署（模塊技術(shù)設計如圖5所示）

 · 通過(guò)DevOps實(shí)現無(wú)基礎設施相關(guān)性的AI模型部署；

 · 通過(guò)建立云邊消息通道實(shí)現邊緣模型的部署控制；

 · 通過(guò)建立云邊數據通道實(shí)現模型的下載及增量更新。  

圖7 模型部署設計圖 

（5）數據安全

 · 支持云邊雙向TLS加密通信，實(shí)現數據加密傳 輸；

 · 支持多租戶(hù)管理，實(shí)現租戶(hù)間數據隔離；

 · 提供審計日志，保障用戶(hù)操作可追溯。

 3　代表性及推廣價(jià)值 

幫助電力行業(yè)某大型企業(yè)搭建了一套服務(wù)于集團內 部的云邊協(xié)同智能缺陷檢測平臺，協(xié)助企業(yè)采集各產(chǎn)線(xiàn) 的生產(chǎn)數據，通過(guò)云邊協(xié)同技術(shù)提升AI模型的精度與準 確度，沉淀出各類(lèi)高技術(shù)含量的數字資產(chǎn)，并向云端其 他應用開(kāi)放共享，幫助企業(yè)提高整體生產(chǎn)效率及生產(chǎn)質(zhì) 量，實(shí)現降本增效。

 3.1　企業(yè)收益 

（1）通過(guò)邊緣AI推理，提高評片效率與準確率， 降低企業(yè)成本。 

（2）極大地減少人工介入，自動(dòng)審片效率成倍提 高。 

（3）根據數據的難例分析，實(shí)現模型的云邊協(xié)同 訓練，使得模型不斷迭代更新，提高識別精度。 

（4）平臺與其他系統互聯(lián)互通，實(shí)現數據同享、 信息互通，可以根據結論報告進(jìn)行溯源，實(shí)現檢測閉環(huán)。

 3.2　創(chuàng )新性 

（1）基于云原生實(shí)現模型DevOps管理：基于云 原生技術(shù)支撐模型的標注、訓練、構建、部署全生命周 期流程，提高模型開(kāi)發(fā)效率。

（2）基于云邊協(xié)同調度實(shí)現模型的自動(dòng)化AI增量 學(xué)習：通過(guò)云邊協(xié)同框架實(shí)現數據自動(dòng)化上傳，從而實(shí) 現模型的自動(dòng)化增量訓練學(xué)習，減少AI模型開(kāi)發(fā)工作 量。 

（3）通過(guò)邊緣應用容器化改造降低AI運行環(huán)境運 維難度：在邊緣端使用容器封裝技術(shù)，將AI模型依賴(lài)運 行時(shí)庫封裝到獨立環(huán)境中，減少每次模型更新部署的運 維難度。 

（4）通過(guò)邊緣容器管理引擎實(shí)現邊端應用的高可 用：使用邊緣資源管理引擎，實(shí)現邊緣應用高可用及離 線(xiàn)自治能力，從而減少邊端業(yè)務(wù)故障發(fā)生概率。

 3.3　方案價(jià)值 

（1）推動(dòng)技術(shù)或商業(yè)模式創(chuàng )新 

依托云原生技術(shù)體系，將企業(yè)數字化基礎設施下沉 至生產(chǎn)活動(dòng)現場(chǎng)，圍繞邊緣節點(diǎn)自治、應用&模型一體 化管理以及生產(chǎn)活動(dòng)數據對接三個(gè)核心維度，加強云邊-端的聯(lián)系，消除技術(shù)棧的不一致性。

 （2）賦能產(chǎn)業(yè)高質(zhì)量發(fā)展 

在工業(yè)視覺(jué)、工業(yè)AI檢測等業(yè)務(wù)場(chǎng)景中，能夠為 這些客戶(hù)提供與云端技術(shù)棧保持一致的邊緣數字化基礎 設施，提高云邊協(xié)同的效率，并且降低運維管理成本。 將數據處理、業(yè)務(wù)應用、AI模型等下沉到邊緣端執行， 解決物聯(lián)網(wǎng)落地時(shí)響應實(shí)時(shí)性、數據隱私性、維護便利 性等問(wèn)題，從而滿(mǎn)足行業(yè)數字化在敏捷聯(lián)接、實(shí)時(shí)業(yè) 務(wù)、數據優(yōu)化、應用智能、安全與隱私保護等方面的關(guān) 鍵需求。

摘自《自動(dòng)化博覽》2023年第2期暨《邊緣計算2023專(zhuān)輯》