边缘学习是什么？
全球的制造和物流行业公司都在应对越来越多的挑战，包括供应链中断、合格劳动力留任，以及持续上扬的运输和原材料成本。紧随这些市场趋势之后，人工智能 (AI) 被吹捧为了能够通过提升工作流程效率、减少成本、改善质量和增加正常运行时间来减轻这些负担的“游戏规则改变者”(Rapp)。
然而，AI 却难以站稳脚跟，特别是在中小型企业中。 提升效率和处理量的诱惑具有极大的吸引力，但部分物流和制造设施仍在怀疑 AI 是否能够在生产方面产生重大影响。对学习曲线的感知、人员要求，以及技术基础设施投资等因素 (Fujimaki) 可能会让公司产生错误观念，即 AI 成本高昂、耗费时间，并且难以部署。
边缘学习打破了这一污名，提供了一种实用且可扩展的 AI 解决方案来为制造和物流行业应用实现自动化。
边缘学习是什么？
边缘学习是一种 AI 技术，此技术在设备上，即产生数据的“边缘”进行处理。该技术利用一组预先训练的算法，与基于 AI 的其他解决方案（如深度学习）相比，其易于设置，并且进行训练所需的时间和图像更少。
边缘学习是一种切实可行的解决方案，适合新手和类似专家。寻求简单方法从而在生产线中集成自动化的工程师可以部署此技术，经常使用机器视觉但缺乏特定 AI 专业知识的资深工程师也可以部署此项技术。边缘学习功能非常强大且简单易用，可以在工厂内和多个行业为一系列应用实现自动化。
边缘学习的好处有哪些？
边缘学习可让自动化更简单。这项技术不需要具备机器视觉和 AI 的专业知识即可使用，因此生产线工程师可以使用自己关于所需任务的现有知识即可进行训练。该解决方案只需要几个示例图像来学习不可接受和可接受部件之间的区别，而不需要事先拥有 AI 或机器视觉方面的经验。继续阅读，进一步了解使用此强大技术的好处。
边缘学习的工作原理
通过使用基于智能相机的单一解决方案，边缘学习可以在几分钟内部署到任何工厂线上。这种解决方案通常会集成多个组件，包括机器视觉硬件、基于规则的工具和人工智能 (AI) 功能。
硬件
边缘学习完全在智能摄像头内运行，此摄像头装备有集成光源、自动对焦镜头以及一个强大的传感器，这些部件共同发挥作用，提供精确检测功能。
光源是高质量成像的关键所在，因为光源可以将对比度最大化、尽量减少阴暗区域，并凸显必要的细节。
高速自动对焦镜头可确保始终聚焦目标物体，即使在变更距离的情况下也是如此。此款镜头在感兴趣区域 (ROI) 发生变化时立即调整焦距，来实现这一功能。液体自动对焦镜头比具有同等效果的机械镜头更小、更轻，在缩小摄像头体积和减轻摄像头重量的同时，也让其可以耐抗生产线的冲击和震动。
功能强大的大型传感器可为各种应用提供高分辨率和广视角 (FOV)。
机器视觉工具
基于规则的视觉工具非常适合专业任务，例如定位、测量和定向。这些视觉工具可满足具体的工厂自动化需求，结合在一起，便可进行边缘学习，无需再在训练系统时连接视觉工具或构建复杂的逻辑序列。
这些工具可以快速预处理图像，提取密度、边缘和其他特征信息，来探测和分析制造缺陷。这些工具可通过识别和明确图像的相关部位，来实现比传统深度学习方法更低的计算量。
AI 功能
AI 不使用人类程序员创造的规则，而是通过示例来学习，借助可接受和不可接受部件的带标记示例，构建神经网络和制定有效的通过/失败阈值。本质上，它是在模仿人类学习的方式。
AI 功能可能会有大量的训练要求。另一方面，边缘学习则利用工厂自动化图像具有特定的结构化内容这一特点，并采用此领域知识预先训练算法。这种技术并非从零开始处理，因此应用的学习密集度更低。
边缘学习的用途是什么？
制造商和物流公司可以部署边缘学习来应对各行各业的广泛挑战，包括自动化和电子产品，以及消费品包装商品和物流。
|
汽车：检测纹理金属板 使用边缘学习探测和分类缺陷以及区分瑕疵和可接受的异常，保障质量。 |
电子产品：电阻器质量检查 借助边缘学习工具来检测电阻器，并将其分类为“异常”（损坏或划伤）或“正常” . |
|
包装：按大小和颜色分类和整理
使用边缘学习工具，根据大小、颜色和视觉特征来分类和分隔产品。 |
物流：探测流程问题
通过确定托盘的卫生情况或商品是否卡在交叉履带式分拣机或传送带中，来避免设备损坏或流程延迟。
|
在工厂自动化领域部署 AI 的一个常见障碍是“人们觉得”会很复杂。如今边缘学习等 AI 技术的进步正在改变这种认知。
边缘学习是一项改变游戏规则的技术，既具备非常强大的功能，也易于部署。此项技术可以为多种任务实现自动化，且无需 AI 方面的先前经验或者技术专业知识。从部件检测到分拣和文字读取应用，边缘学习都是将自动化引入工厂的简单选择。
有关上述 AI 制造和程序的研究和信息来自于以下材料：
- Rapp。（2022 年 1 月 7 日）。《制造业人工智能：真实成功故事和经验教训》(Artificial Intelligence in Manufacturing: Real World Success Stories and Lessons Learned)。检索自： https://www.nist.gov/blogs/manufacturing-innovation-blog/artificial-intelligence-manufacturing-real-world-success-stories
- Fujimaka 博士。（2020 年 12 月 7 日）。 《移除在制造业采用 AI 的障碍》(Removing Barriers to AI Adoption in Manufacturing)。 检索自： https://www.automation.com/en-us/articles/december-2020/removing-barriers-to-ai-adoption-in-manufacturing
