原创 TensorFlow 在智能制造中的应用

每一个智能工厂，对于质检，安全都有工厂必须遵守的条例，良品率越高，对工厂带来的是纯利润的上升。我们一起分享在 TensorFlow 中，如何去解决现代工厂中面临的这一系列问题。

TensorFlow 是现在应用最广泛的深度学习开发库，经过几年的发展，版本的不断迭代，现在开发的功能已经逐步完善。在实际的工程化运行环境中间，除了我们利用人工智能去研发解决问题之外，我们还需要对人工智能进行工程化，使我们研发的人工智能模型，能够高效的运行在生产环境中间。

现在已经有许多大的互联网公司提供了人工智能从数据处理到模型开发及部署的基础设施，这些基础设施可以保证使用者运用比较好的公有云系统来完成人工智能研发。

互联网以及传统企业所积累的大数据，由于私密性，从数据的来源到人工智能模型的产生与应用，都只能在密闭的环境下进行内循环，最终的目的是用人工智能模型来服务企业本身，导致公有云上的基础设施无法为企业所用。那么整个人工智能系统都必须要在私有的环境下完成研发，生产到运维的所有过程。

谷歌所搭建的 KubeFlow 平台，正是解决人工智能在私有化应用中的问题，在企业私有云环境中间搭建了这么一套完整的运行完成之后，可以保证整个人工智能周期的私密性。

未来的人工智能发展一定是伴随着支撑人工智能的公有云设施及私有云设施相互促进相互发展的一个过程。

在智能生产领域中间不管哪个行业，只要它生产实际的产品，都会涉及到产品的质量检验这个过程，好的质量检验流程能够提升良品率。所以以往的质量检验一般是用一些自动化的设备，然后辅助人工进行整个检查的过程，但是在这个过程中间，由于自动化设备固定的识别模式，然后人由于不能长期的高效的维持在最好的状态之下进行检验，最后导致有一些产品，会出现漏检的现象。例如在电子元器件芯片行业中间芯片的检测是需要拿到显微镜下由人工去看，由于人的不稳定因素造成最后的检测结果会出现一些问题。引入人工智能的方式去做质量检测，会起到非常好的效果。

一种就是利用计算机视觉去检测产品的外观，外观包括产品的变形，缺陷等。非常大的一个物体，以及显微镜观测的细小颗粒部分，都可以利用 TensorFlow 实时高精度的去完成检测。

另外一种是利用一些传感器或者是自动化设备，对产品进行一些常规的测试。存在的问题是，如果有多种因素做一个综合判定的时候，只能用经验来做判断，而这种判断需要公司的非常有经验的员工来参与，有经验的员工的培养本身就是一个巨大的成本。那么 TensorFlow 去处理这些问题，他可以把工人的经验转换成为人工智能的模型，最终使整个的检测过程不需要人工去干预。

TensorFlow 可以看成是数据处理的一种方式，物联网是数据回环的一套基础架构。那么在物联网体系中，利用 TensorFlow 等人工智能技术去处理问题，会显得实时，便捷，高效。

这几年我们在生活过程中间越来越多的运用到人工智能技术。比如我们过机场地铁安检的时候人脸识别，用支付宝进行人脸识别付款，这些都是人工智能的应用。我们深深惊叹这些技术的便捷性的时候，实际上对完成人工智能处理设备来说，它就是相当于整个物联网系统中的一个端点设备，完成了数据的采集，识别过程。

除了人脸之外，还有我们的声音，文字，以及在生产过程中间所获得的各种数据，整个的人工智能的角度来讲，都是属于数据获取。往往数据的获取就是依赖整个物联网系统的端点设备，有的端点设备只是进行数据采集，但是有的端点设备除了进行数据采集之外，还会返回结果。那么从端点进行数据采集，对数据进行处理，进行人工智能的识别，最后再把结果下发了整个过程，就是物联网在实际的应用过程中的一个非常好的体现。

随着物联网的设备越来越多，物联网又具有去中心化的特点。那么我们把整个人工智能模型部署到云端进行数据识别，会对云端产生相当大的压力。所以在物联网的端点，或者是路由侧，通常会加入 TensorFlow 的模型用于识别。这样的话，数据不不需要实时的传送到云端进行处理，具有离线，实时性的特点。

针对物联网设备越来越丰富，需要大量的边缘设备去处理数据的特点, Google 在物联网方向，从云端到端点设备提供了丰富的 AI 解决方案。TensorFlow 的应用中，专门对移动端，嵌入式设备做了扩展，即大家熟悉的 TensorFlow Lite，除了软件层面，Google 在物联网的硬件端也推出了 Edge TPU, 这个硬件方案可以对物联网网关，端点的 AI 识别，同时也在基于单片机的应用中推了 Sparkfun 解决方案。更不用说云端 AI 相关的丰富的服务了。随着大量的物联网设备为人们的生活提供便携性的服务，AI 在我们的生活中，也就无处不在了。