摘要：
5G+边缘 AI 的无线大带宽传输、智能化识别、低时延本地处理、安全稳定等特点，在一定程度上解决了工业质检检测难度高、人力成本居高不下、检测效率低下等问题。主要介绍 2 种常见的基于 5G+边缘 AI 的工业质检应用实现架构，并从多个维度进行对比，为实际应用提供选择建议。同时根据检测对象和环节的不同，总结了4类 5G+边缘 AI在工业质检中的应用。
01 工业质检现状及发展趋势
在汽车、3C 产品、芯片、光伏等领域，工业质检是不可或缺的环节，极大影响着产品产出质量和速度。工业质检目前存在以下痛点和挑战。
a）检测难度大：工业产品复杂度和精细化程度不断提高，主要体现在零部件体积变小、样式和种类众多、形状不规则化、更新换代频繁等多个方面，这些大大提高了质量检测和控制的难度。
b）人力成本居高不下：目前，工业质检仍大量依赖人工方式。通过人工长时间、大批量的流水检测来判断工业零部件和设备的质量，这样的方式受人工经验和主观因素的影响大，对质检人员的专业素质要求较高。虽然部分企业也陆续引入了高精度检测设备，但仍然要求操作人员具备一定的专业检测知识。为保证检测效果和质量，需进行大量的人员岗前培训。此外，高强度和重复性的流水检测，对质检人员的视力、体力造成极大的冲击，人员流失屡见不鲜。为维持企业正常运转，挽留质检人员，须进一步提升人力成本。
c）检测效率低下：工业质检速度和稳定性受质检人员技术水平、经验等限制存在不确定性。质检人员在长时间高强度工作环境下，容易出现精力分散、情绪波动等问题，影响检测效率。
随着行业竞争的日益激烈，劳动密集型的工业质检方式已经难以适应市场的发展变化。为实现更高效能的生产制造能力、更高品质的产品质量控制和更低的人力成本，获取竞争优势，智能化转型成为工业质检的发展趋势。
02 5G+边缘AI赋能工业质检
5G作为“新基建”之首，成为新一代智能制造系统的关键使能技术。5G 大带宽、低时延、高可靠等特性使无线技术能应用于高清图像传输及处理、现场设备实时控制等工业新应用，解决移动性传输需求，为工业质检奠定良好的网络基础。智能化应用不再受限于有形的电缆，灵活度大大提高。
2020 年，人工智能与 5G 一起列入“新基建”七大领域。AI 与 5G 的结合，催生了各种新型的智慧化应用，实现生产方式的改变和生产力的提升。目前，AI实现方式主要分为云端AI和边缘AI两种。云端AI通过公网将采集到的数据上传到云端处理，对网络带宽要求较高，一旦网络出现故障，就无法正常工作，且存在一定的安全隐患。边缘 AI将 AI从云端下沉到靠近用户的边缘位置，实现本地化的数据处理和AI智能检测，实时性高，具有极强的安全性，当网络出现故障，仍能正常工作，可靠性高。
工业质检为劳动密集型和作业密集型场景，一旦发生中断，极大影响工作效率，因此，实时、稳定、安全的智能检测尤为重要。基于 5G+边缘 AI 的工业质检应用，可以实现低时延、无接触式的智能化检测和大数据量本地处理，最大程度减少对现有设备和工艺的改造，有效提高工作效率，减轻回传网络负荷，保障数据安全，同时实现自动学习和不间断并行检测，降低人力成本，当业务数据积累到一定程度，可以发掘数据潜在的价值，为业务决策提供有力支撑。
03 基于5G+边缘AI的工业质检应用实现架构
在工业质检场景下，5G+边缘 AI应用根据边缘位置的不同，主要分为以下2种实现架构。
3.1 基于5G+边缘AI设备的实现架构
基于 5G+边缘 AI 设备的实现架构如图 1 所示，其将AI功能下沉到最靠近客户现场的边缘位置，即将摄像头、传感器、边缘 AI设备等部署于一线作业/检测位置。边缘 AI 设备基于摄像头或传感器采集的原始数据进行实时 AI 分析，第一时间将 AI 检测结果反馈至现场有线连接的展示和声音提醒设备，不受网络环境的影响，并通过5G网络将检测数据及结果回传至后端管理平台进行统计展示。
图1 基于5G+边缘AI设备的实现架构
该架构由数据采集、现场反馈、边缘处理、网络传输、管理平台等部分组成。
3.1.1 数据采集
原始数据采集是AI应用中最重要的部分，缺乏良好的原始数据，AI算法的效果将大打折扣。原始数据（图像、视频、音频、文本等）由在合适位置布放的各种类型摄像头和传感器获取，并通过有线传入边缘AI设备进行处理分析。在低照度情况下，可以加入外部光源以提高采集数据的清晰度，避免因光照不足影响输入数据的质量，同时营造稳定的环境色温，降低周围环境光照变化带来的影响。
3.1.2 边缘处理
边缘 AI 设备对输入的原始数据进行处理和智能分析，将分析结果实时反馈至现场展示和提醒设备，并通过5G网络回传至后端管理平台。
边缘AI设备需具备以下功能模块。
a）高性能处理器 CPU：具备多核高性能处理器，作为控制中枢，用于多摄像头调度、进程调度、软件程序控制、指令执行等。
b）GPU/NPU：集成图形处理器GPU或神经网络处理器 NPU，提供 TOPS 级及以上算力，支持 TensorFlow/Caffe/MXNet等主流深度学习框架及特定 AI模型的加载，用于摄像头视频、图像等原始数据的处理和 AI 分析。
c）I/O接口：配备多种I/O接口（见表1），并支持相关数据传输协议，以灵活适配应用场景。在实际应用过程中，可根据业务需求对接口进行删减或添加。
表1 边缘AI设备常用I/O接口
d）网络通信：集成5G模组或通过RJ45、USB等接口外接 5G 数据传输终端，具备 5G 传输能力。可根据需要内置或外接Wi-Fi、Bluetooth、4G等通信模块。
e）内存及存储：具备一定容量的内存及存储，用于临时数据存放、AI 模型存储等，其大小决定了设备的AI模型承载能力。在有限的存储空间下，AI模型应尽量做到轻量化、小型化。
f）视频编解码：支持 H.265、H.264、VP9、VC-1、MPEG-1/2/4等通用的视频编解码标准及相关带宽压缩技术，在保证视频质量的基础上尽可能降低传输速率。
g）供电及散热：配备电源、风扇等供电和散热模块，保证设备正常运转。
3.1.3 现场反馈
通过有线外接显示屏、扬声器等设备，对分析结果进行实时展示和声音告警提醒，为下一步处理提供及时、稳定的参考依据。
3.1.4 网络传输
通过5G无线空口将数据回传至覆盖该区域的5G基站及上联机房，在上联机房与后端云平台服务器之间搭建一条数据专线，提供专用数据传输链路，实现链路质量保障，保证数据安全性及稳定性。
3.1.5 管理平台
后端管理平台部署在公有云或企业私有云上，对前端边缘 AI 设备回传的检测数据和分析结果进行存储及统计展示。
特别说明的是，图1中数据采集、现场反馈和边缘处理这 3 部分所涉及的设备除了可以独立存在，也可以组合成一个整体，如 5G+边缘 AI 质检机器人，集成了 5G 模组、摄像头、传感器、交互显示屏及边缘 AI 处理所需的相关硬件和功能模块。
3.2 基于5G+MEC的实现架构
基于 5G+MEC 的实现架构将 AI 功能下沉到客户现场/边缘接入机房，搭建一个 5G+MEC 专网，将摄像头或传感器采集的原始数据分流至客户现场/边缘机房部署的MEC边缘云上，在MEC上部署AI服务器、管理平台等，对原始数据进行边缘处理、AI 分析和统计展示，同时接入厂区本地网，实现数据不出内网，保障数据安全性。实现架构如图2所示。
该实现架构由数据采集、网络传输、边缘处理及管理平台等部分组成。
图2 基于5G+MEC的实现架构
3.2.1 数据采集
通过在摄像头和传感器中集成5G模组或外接5G数据传输终端，将其采集的原始自然光、热成像或音频等数据进行 5G 无线回传。该数据采集部分所涉及的设备也可以组合成一个整体，如 5G 移动采集机器人。
3.2.2 网络传输
该实现架构采用 5G+MEC 专网进行数据传输。原始数据通过5G无线空口回传至5G基站，5G基站将该业务数据（下文统称专网数据）分流至MEC上，实现业务流量的本地卸载。
根据分流机制的不同可分为以下2种方案。
a）在客户现场/边缘接入机房部署下沉UPF/GWU 用户面网关。在 5G SA/NSA 环境下，基于核心网控制面与用户面相分离的思想，UPF/GW-U 用户面网关下沉部署至客户现场/边缘位置。在数据传输之前，5G基站上报控制面信令消息至核心网，核心网控制面网关SMF/GW-C根据专网终端携带的APN等信息，为专网数据选择下沉的专网 UPF/GW-U，建立默认承载。基站在收到专网终端发起的数据传输请求后，将专网数据通过默认承载转发至下沉的专网 UPF/GW-U；若非专网数据，5G 基站将其转发至公网用户面网关，从而控制数据的转发，实现专网数据分流。
b）在MEC部署DP分流模块，串接在5G基站与核心网之间。DP分流模块一般采用二层模式串接在5G基站与核心网之间的 S1 链路上，对 S1 流量进行包解析分流，将专网数据分流至 MEC 上，将非专网数据透传至核心网。
3.2.3 边缘处理及管理平台
在 MEC 上部署 AI服务器、媒体服务器、编解码服务器及业务管理平台，对分流至MEC的专网数据进行边缘AI分析和处理，并将分析结果和相关检测数据传至业务管理平台进行存储和展示。同时，在MEC上部署 MEP 边缘管理平台、VAS 增值服务等相关模块，实现对MEC的管理。
笔者将基于 5G+边缘 AI 设备的实现架构与基于5G+MEC 的实现架构进行对比发现前者在 AI 分析时延、稳定性、成本等方面较后者有一定优势，尤其适用于实时性和稳定性要求严格、成本受限的场景；后者在 AI 模型承载及扩展、安全性方面有突出优势，尤其适用于安全要求高的大型复杂工业质检场景。
04 5G+边缘AI在工业质检中的应用
5G与边缘 AI应用在工业质检领域已逐步开展探索和实践，不同场景下所采用的实现架构应综合质检业务类型、允许的检测时延、AI检测功能复杂度、稳定性及安全性要求、项目成本等各方面因素灵活选择。
根据检测对象和环节的不同，5G+边缘 AI在工业质检中的应用可分为以下几类。
4.1 零部件的AI智能检测
工业领域的零部件具有种类繁多、工艺精密、体积形状多样、检测标准不一的特点，人工质检难度大、复杂度高，很容易出现漏检、错检的情况。基于 5G 与边缘 AI 技术将零部件多角度、高清晰度的图像、视频等原始数据进行回传，通过边缘内置的AI智能检测算法，实现多标准、高准确度的实时零部件智能检测，提高检测效率，降低人工成本。
示例 1：手机玻璃盖板瑕疵智能检测。玻璃盖板是手机关键零部件，直接影响手机操作体验。通过多角度组合光源和高分辨率摄像头进行数据采集，可以实现点状缺陷（黑点、白点、凹凸点、点状划痕等）、线状缺陷（划痕、刮伤、脏污等）、气泡、边缘崩边、透光等各类微小瑕疵的智能检测。
示例 2：汽车曲轴连杆类型智能检测。发动机曲轴连杆的外形有很高的相似度，不同发动机所使用的连杆之间，甚至一个连杆的正反两面往往也只有几个特征点有明显不同。通过将摄像头、传感器应用在多种汽车发动机曲轴连杆的自动化生产线上，边缘内置的AI检测算法可以辨别不同类型的产品，助力自动化生产线的高效运行。
4.2 组装及成品的AI智能检测
在工业领域，各种零部件将遵循一定的规则和结构，组装成最终的产品。产品的整体质量检测和故障排查也是工业质检的重要一环。基于5G与边缘AI技术，实现对产品运转数据的采集、无线大带宽回传和实时AI分析，为产品整体性能和故障检测提供宝贵的参考依据。
示例 1：空调噪声智能检测。噪声大小是空调的一项重要指标。空调噪声在生产线上淹没于工厂内嘈杂的设备噪声之中，可以在生产线上增设音频采集设备，由音频采集设备事先采集工厂内的设备噪声数据，建立噪声库；然后通过边缘内置的 AI 检测算法对设备噪声进行识别，将设备噪声作为背景音从采集到的音频中剔除，并对剔除背景音的声音数据进行分析，实现空调噪声的智能检测。
示例 2：PCBA 故障智能检测。在印制电路板 PCBA生产组装过程中难免会出现缺陷或不良，如元器件错焊、漏焊、移位、裂纹、焊盘翘起等，售后产品也存在损坏返修的问题。PCBA 板为有源电路，发热异常是判断故障的重要依据。自然光和红外摄像头可以收集PCBA板自然光数据、上电过程的热成像数据，获取温度热图数据，边缘内置的AI检测算法将其与标准良品热图进行比较，实现异常点快速定位和失效分析，大大减少维修时间。
4.3 产线工人动作及状态智能监控
目前，智能质检尚未完全取代人工，产线工人与智能机器并存是常态。基于 5G 与边缘 AI 技术，对产线工人的动作行为、情绪状态等进行高清实时监控，若发现潜在的影响工作质量和效率的问题，进行实时预警，进而采取防范和改善措施，降低事故发生的风险和概率。
示例 1：产品装配操作智能监控。产线工人参与的产品装配作业中，通常包含固定的操作流程如伸手、抓取、移物、定位、装配等。操作人员在长时间工作或被干扰后，装配动作会出现遗漏、误操作等问题，影响产品质量。通过高清摄像头对产线工人的动作行为进行监控，边缘内置的AI检测算法可以自动识别人工装配过程中的工序是否正确，对错误操作进行实时报警提示，加快问题暴露，节省时间。
示例 2：质检人员情绪及精神状态监控。质检人员的情绪及精神状态会极大影响其工作效率和质量，极端情况下，甚至会威胁自身安全。基于 5G+高清摄像头可以对质检人员的面部表情、动作等进行实时AI监测，一旦发现疲劳、注意力不集中、悲伤、愤怒等现象，可以及时提醒相关人员，避免不必要的事故。
4.4 预测性维护及改进分析
通过 5G+边缘 AI智能质检，企业可以积累大量精确的、全面的质量检测数据，记录检验过程中的细节（如视频、缺陷图片、产品参数设置、生产流水线标记等）以及缺陷判断结果。以质量大数据为基础，企业可以进行质量趋势、缺陷成因、产能问题定位等智能AI 分析，反观生产工艺、产线设备中影响产品质量的问题，进而推动参数优化、工艺改进和设备维护升级，从源头减少或杜绝缺陷品的产生，做到质量管理事前控制，降低质检工作量，为产品制造打下良好的基础。此类应用需在质量大数据的基础上进行AI分析，提供预测性维护及改进指导意见，对时延不敏感，但对硬件算力、存储和数据安全性要求较高，一般采用基于5G+MEC的实现架构。
05 结束语
在工业质检领域，5G 与边缘 AI 因其大带宽、智能、实时、安全、稳定的特点受到青睐，目前已在零部件、组装及成品、产线工人动作及状态AI智能检测、预测性维护及改进分析等方面逐步开展应用探索和实践。根据业务实际需求，企业可灵活选择基于 5G+边缘AI设备或5G+MEC的实现架构。未来，随着技术的发展和行业探索的深入，5G+边缘 AI在工业质检领域将衍生出更多的应用类型，丰富应用场景，发挥更大的价值。
参考文献
［1］ 网宿科技股份有限公司 . 基于边缘计算的 AI表面无人质检系统解决方案［J］. 自动化博览，2020（10）：58-61.
［2］ 侯大为 . 从 AI 质检机器人，到以质量大数据驱动的数字化工厂［J］. 人工智能，2020（3）：74-83.
推荐阅读
来源：边缘计算社区
作者：卢丽文
注：本文只代表作者个人观点，与任何组织机构无关，如有错误和不足之处欢迎在留言中批评指正。
尊重知识，转载时请保留全文，并包括本行及如下二维码。感谢您的阅读和支持！
