人工智能行业：AI视觉赋能智造白皮书

AI视觉赋能智造白皮书 工业互联网产业联盟（AII）2023年11月 声明 本报告所载的材料和信息，包括但不限于文本、图片、数据、观点、建议，不构成法律建议，也不应替代律师意见。本报告所有材料或内容的知识产权归工业互联网产业联盟所有 （注明是引自其他方的内容除外），并受法律保护。如需转载，需联系本联盟并获得授权许可。未经授权许可，任何人不得将报告的全部或部分内容以发布、转载、汇编、转让、出售等方式使用，不得将报告的全部或部分内容通过网络方式传播，不得在任何公开场合使用报告内相关描述及相关数据图表。违反上述声明者，本联盟将追究其相关法律责任。 工业互联网产业联盟联系电话：010-62305887 邮箱：aii@caict.ac.c 前言 当前，全球新一轮科技和产业革命蓬勃兴起，对制造业的生产方式、商业模式和产品形态带来深刻影响，以智能制造为核心的制造革命尤为突出。一方面带动众多新技术、新产品、新装备快速发展，催生出一大批新应用新模式，驱动新兴产业快速成长，另一方面，智能制造帮助传统产业实现生产制造与市场多样化需求之间的动态匹配，减少消耗、提高品质，大幅提高劳动生产率。依托智能制造推动传统产业转型升级，重塑制造业竞争新优势，已成全球普遍共识。以人工智能为代表的新一代使能技术创新和应用 正进入空前密集活跃期，通过工业知识和数据科学的 紧密结合，大幅提升对问题的洞察与预判能力，为设计、生产、管理、服务等环节的优化提供智能化决策支撑，不断拓展智能制造发展空间。可以说，AI+智能制造已经成为制造业乃至产业升级的主战场。 白皮书以“视觉赋能，智引未来”为主线，分析了AI赋能智能制造的核心作用、典型模式与场景，以视觉类应用为切入点，系统梳理工业视觉的发展历程、核心技术路径与应用场景，分析产业实施的问题痛点，以深度学习技术路径中的实际案例指明AI视觉方案架构与落地可行的具体模式，并提出未来工业视觉及AI智造深入推广的建议，以期能与业内同仁共享成果，并对产业实践贡献微薄力量。 牵头编写单位：中国信息通信研究院华为技术有限公司 参与编写单位： 百度在线网络技术（北京）有限公司 中国科学院自动化研究所 羚羊工业互联网股份有限公司深圳市信润富联数字科技有限公司 河北工业大学中国电信研究院 树根互联股份有限公司凌云光技术股份有限公司美云智数科技有限公司 谷斗科技（上海）有限公司卡奥斯物联科技股份有限公司中移（上海）信息通信科技有限公司 IBM（国际商业机器（中国）有限公司） 腾讯科技（深圳）有限公司新华三技术有限公司 中工互联（北京）科技集团有限公司 工业互联网产业联盟公众号 目录 一、AI赋能“智”造落地1 （一）新产业革命与数字化浪潮交汇，焕发智能制造新活力1 （二）AI是智能制造的关键支撑2 （三）AI+智能制造的主要模式与场景3 二、工业视觉为智能制造打开“新世界”8 （一）工业视觉发展历程8 （二）工业视觉应用场景13 （三）典型行业应用案例17 三、AI视觉解决方案与实施26 （一）以深度学习为核心路径的AI视觉解决方案部署实施需求26 （二）AI视觉方案技术架构30 （三）AI视觉方案部署36 （四）AI视觉赋能产业转型升级典型案例38 四、挑战与建议44 （一）问题与挑战44 （二）推进建议45 一、AI赋能“智”造落地 （一）新产业革命与数字化浪潮交汇，焕发智能制造新活 力 人工智能技术开始买入新阶段。世界科技发展处于快速进步之中，信息通信、先进制造、新材料和新能源等技术的创新加速和交叉融合爆发了新力量，人工智能是引领未来的新兴战略性技术，是驱动新一轮科技革命和产业变革的重要力量。自1956年诞生以来，相关理论和技术持续演进，直到近十年，得益于深度学习等算法的突破、算力的提升及数据积累，人工智能得以实现从实验室向产业实践的转变。尤其，通用人工智能是引领新一轮科技革命和产业变革的战略性技术，正以大模型为先导加速向经济社会全面渗透融合，与我国新型工业化进程历史性交汇，孕育制造业转型升级的新手段、经济高质量发展的新引擎、抢占全球竞争制高点的新机遇。 智能制造加速融合创新，共性赋能技术体系逐步形成。智能制造赋能技术体系包括OT技术、ICT技术和融合类技术。OT技术聚焦智能升级，通过数字传感器技术与数字控制等传统技术在ICT赋能下逐渐迈向智能化；工业互联网平台等ICT技术正成为智能工厂建设的重要基础设施，部分工厂也已经开始探索构建5G网络等基建的落地应用；融合类技术重点围绕故障诊断、视觉识别等应用进行创新突破，聚焦典型制造场景的数据挖掘是当前智能制造示范工厂建设关注的重点技术领域。其中，大数据分析、视觉识别等人工智能技术已经成为智能制造赋能技术体系中 探索最活跃、最核心的领域。据中国信通院对近年智能制造示范工厂案例统计表明，AI技术应用占比近15%，成为赋能技术体系中最关键的技术族之一。 （二）AI是智能制造的关键支撑 AI与制造业加速融合，引发多方面变革。一是变革技术产品研发方式。人工智能有效利用产品研发过程中的历史数据，迅速开发出性能强悍的产品，还通过对各类物理、化学特性与生产指标的对应关系进行建模，优化加工流程与参数，实现工艺创新。二是提升企业生产全环节质量与效率。人工智能基于“数据+知识”跨越传统工艺机理依赖实现创新优化，通过智能分析确保生产核心要素处于最优状态，打通企业上下游数据，实现全流程的资源协同与系统性提升。三是加速变革企业资源组织模式。通过各类制造要素的全面数字化和联网化，实现产能、设计、技术、金融、物流及配套服务等资源的网络化集聚和基于AI的动态优化配置。四是构建新型服务与商业模式。通过对设备或产品运行数据开展智能分析，向用户提供增值服务，同时创造大量新需求和新盈利模式，带动产业智能化升级。此外，大模型成为深度学习、知识图谱、NLP等技术融合底座，整合工业多模态数据，全面提升感知与决策能力。 “AI+智能制造”推动产业创新升级。装备领域通过叠加人工智能技术，实现加工误差补偿、自动化编程等应用创新，并利用AI预测生产过程状态，自动调整装备参数，提高生产制造装备实施运行优化能力，实现产品形态变革与价值创新；自动化与工业控制系统聚焦边缘侧开展数据复杂分析，实现融合AI技术的工业边缘平台，能够提供对设备性能、运行时间的实时分析及异常操作排查等功能，不断拓展边缘系统/平台智 能化能力，实现过程监测优化与运维分析；平台与工业软件基于AI技术不断深化创成式设计、生产管控、流程智能自动化等细分领域的智能化水平，并逐步提升解决小数据、实时性等痛点问题的能力。未来随着大模型的逐步融入，与新型控制、网络、边缘计算等技术融合创新，有望推动制造业支撑产业体系逐步走向灵活开放、智能协同的新模式。 （三）AI+智能制造的主要模式与场景 AI概念诞生至今已有60余年历史，从最初的专家系统到当前主流的深度学习、大模型等技术，AI智造的应用场景种类不断增多、覆盖范围不断扩大、智能化特征不断增强。目前，AI已经在制造业研发、生产、管理、服务等全环节全领域均形成了典型应用场景，总体来看主要形成感知识别、建模优化和推理决策三类应用模式以及九大核心场景，近百个细分场景的应用体系。 图1-2：AI+智能制造主要应用模式与场景 1.感知识别应用：当前推进热点与焦点 感知识别应用以AI视觉算法技术、语音识别等为核心，尤其AI视觉是当前应用成熟度最高、范围最广的模式，主要聚焦生产管理环节形成典型应用。一是以产品质量为核心的生产结果检测。主要面向在制品质量管理环节，包括表面缺陷检测、组装防错检查、零件错漏检测等细分场景。二是以生产作业为核心的生产过程监测。主要面向车间内部产线环节，包括零件抓取/分拣、生产组装、视觉焊接/装配、表计数据读取、产线运行情况检测等细分场景。三是以安全为核心的资源状态监测。主要面向人员、车间环境、厂区和设备等对象，实现安全生产与管理，包括员工安全帽识别、园区越界/闯入识别、车间明火/烟雾等安全情况识别、设备运行情况监测等细分场景。 图1-3：AI+智能制造视觉核心应用场景 视觉应用能够成为工业领域的应用热点与焦点主要有几方面原因：一是视觉类应用的成效较为直观显著，投入产出率和投资回报周期相对清晰，具有较高的“性价比”；二是视觉类应用实施相对独立，由于原始视觉数据大，不便直接接入工厂管理系统，必须在视觉采集端完成实 时处理，只有表征最终结果的少量特征信息才有必要接入工厂管理系统；三是图像相关技术及行业通用性强，有专用的模型（如CNN）。四是工业图像、视频等数据获得性相对较强，具备AI赋能的基础条件。据中国信通院统计，在所有工业AI应用场景中，视觉类应用规模占比近半，成为当前应用最为广泛成熟的模式。 2.建模优化应用：场景最多，覆盖最广 建模优化应用的技术核心是以数据驱动的建模优化，已覆盖工业全环节实现典型应用。一是智能驱动的研发创新。通过AI数据分析，全面变革传统依赖人工经验和重复试验的研发模式，加速创新周期、减少创新成本，甚至能够在此基础上建立超越传统认知边界的创新能力。二是生产管理重点环节的分析优化。通过全面感知和智能分析，进一步对现有工艺、物料、质量、能耗、安全等进行智能优化，是当前AI+智能制造领域集中度最高的场景。三是设备产品的控制与运维。面向各类现场装备和产品，基于AI提升实现装备产品的智能分析、预测与优化功能，提供智能化运维服务。四是基于数据驱动的服务与商业模式变革。通过大数据分析，能够向用户提供个性化多元化增值服务模式，甚至实现现有商业模式的变革创新，全面拓展价值空间。 图1-4：AI+智能制造数据建模分析核心应用场景 此类应用模式占据了大半AI+智能制造的场景，且几乎覆盖了工业全环节全领域。随着工业数据规模不断增长，为数据建模寻优类应用提供了很好的基础条件；此外，深度学习、迁移学习等各类算法技术持续创新，数据挖掘分析能力也在不断提升，数据寻优类模式将发挥更大赋能作用。 3.推理决策应用：起步最早，潜力最大 推理决策应用以知识工程为核心技术，知识累积门槛和场景价值化成为应用推进的关键条件，已从形成两类典型推进路径。一是基于规则的诊断推理。通过“规则一切可以规则化的经验”，把领域专家、工人 的行业经验或者已有决策流程固化下来，是人工智能在工业应用最早的技术，通常解决设备、生产等车间内部简单的控制决策类问题。二是基于知识图谱的决策与检索。通过全面梳理汇总与任务相关的工业知识、常识、各类对象关系等，形成工业级知识图谱，目前已在工业设计、故障诊断与溯源领域、供应链管理等复杂管理决策类场景有部分应用。 图1-5：AI+智能制造经验知识决策核心应用场景 虽然当前经验知识推理决策类应用匮乏，尤其工业知识图谱的构建成本高、应用场景尚不清晰，目前此类模式应用占比不足10%。但随着工业机理知识的累积沉淀与认知推理相关理论的突破，知识图谱等技术与深度学习技术不断走向融合，未来必将成为工业真正实现智能化的有力工具。 人工智能赋能智能制造的潜力和空间巨大，视觉领域AI+智能制造增速较快，已处于爆发拐点。据埃森哲统计，到2035年，人工智能技术 的应用将使制造业总增长值(GVA)增长近4万亿美元，年度增长率达到 4.4%。此外，智能制造企业对AI表现出较高的认可度和关注度，根据 Capgemini对806家企业的调研结果显示，全球超60%的智能制造企业认为AI、5G等新技术将成为数字化转型的关键支撑因素，66%的企业意识到机器学习、高级数据分析等AI技术能够起到关键作用；IDC和微软对亚太地区主要制造业进行调查后发现，76%的制造业企业领导者认为AI将在未来三年内帮助企业提升竞争力。工业视觉作为AI+智能制造的热点和焦点，其覆盖领域广泛，主要集中在3C电子、锂电池、纺织轻工业、汽车、半导体等行业，需求增速不断上涨；同时，工业视觉产业持续创新发展，预计近五年复合增速为25%，国产化替代率均值已达50%。基于此，白皮书将聚焦制造业的感知识别应用中的AI视觉做重点分析。 二、工业视觉为智