消費網際網路時代，誕生了“BAT”等高市值的企業，深刻地影響著我們的生活學習。工業網際網路時代，“BAT”將如何續寫輝煌？
8月7日-8月9日，座標中國深圳。2020 全球人工智慧與機器人峰會（CCF-GAIR）於深圳前海華僑城 JW 萬豪酒店啟幕，大會由中國計算機學會（CCF）主辦，雷鋒網、香港中文大學（深圳）聯合承辦，鵬城實驗室、深圳市人工智慧與機器人研究院協辦。
在8月9日壓軸舉辦的『工業網際網路專場』上，騰訊雲副總裁趙建春做了題為《騰訊雲人工智慧在工業網際網路領域的實踐》的重磅演講。當前，騰訊雲依託C端積累，藉助騰訊AI-Lab、騰訊優圖、微信人工智慧三大AI實驗室，正打造騰訊全棧AI能力。
談及騰訊雲工業產品整體架構，趙建春表示：
“其底層是外界熟知的IaaS平臺、物聯網平臺和5G通訊的基礎能力；之上是四大基座，包括工業大資料基座、工業業務基座、工業營銷基座和工業智慧基座；再往上是支撐服務生態的產品和生態，包括工業生態能力、行業定製、生態整合，去共同支撐為區域企業提供數字化解決方案的平臺，目前在全國落地了8家。還有專案牽引和基座做的泛工業解決方案。”
雷鋒網瞭解到，工業智慧基座，底層是騰訊的基礎雲，之上是基礎服務產品、大資料能力、AI能力、引擎、計算機語言識別、自然語言處理。往上是做應用服務產品，包括騰訊雲人工智慧服務平臺、智慧對話平臺、資料資產管理平臺等。向上會做各種單向的應用，比如說人臉核身、文字識別、人臉識別和影象識別等。更上面是行業解決方案，比如說智慧工業、智慧交通等。
最後，趙建春剖析了騰訊在工業AI領域的具體實踐案例，比如華星光電面板ADC（自動缺陷檢測）專案、工廠（大型裝配）人員工效最佳化專案、裝置預測性維護專案、能源行業知識圖譜專案等諸多案例。
以下為趙建春的演講全文，雷鋒網在不改變原意的基礎上進行了編輯和整理：
各位朋友，大家下午好。非常榮幸能夠在這裡和大家分享騰訊雲人工智慧在工業網際網路領域的案例和實踐。
人工智慧的概念是在1956年提出來的，到現在已經有60多年的歷史，期間經歷過幾次的高潮和低谷。最近20年可以說是人工智慧快速發展的20年，主要是受網際網路、移動網際網路的需求驅動，尤其是移動網際網路，人工智慧在消費互聯網裡面積累了豐富的經驗，現在開始走入到產業網際網路和工業裡面來了。
騰訊今年正好是22年，比較完整經歷了網際網路和移動網際網路的年代，在內部也積累了非常多的人工智慧的經驗。同時，形成了騰訊AI Lab、騰訊優圖、微信人工智慧實驗室，現在正依託騰訊雲把這些實驗室積累的人工智慧的能力向產業界進行輸出。尤其是優圖實驗室，因為它隸屬於雲與智慧產業事業群，它更是這個能力輸出的排頭兵。
由於咱們論壇是工業網際網路論壇，我介紹一下騰訊雲工業產品的整體架構：
在底層是大家熟悉的IaaS平臺、物聯網平臺和5G的基礎能力；
之上是四大基座，包括工業大資料基座、工業業務基座、工業營銷基座和工業智慧基座；
再往上是支撐服務生態的產品和生態，包括工業生態能力、行業定製和生態整合；
在最上面，是共同支撐為區域企業提供數字化解決方案的平臺，目前在全國落地了8家，還有專案牽引和基座做的泛工業解決方案。
再看看工業智慧基座，底層也是我們的基礎雲，之上是基礎服務產品、大資料能力、AI能力、引擎、計算機語言識別、自然語言處理。往上做應用服務產品，包括騰訊雲人工智慧服務平臺、智慧對話平臺、資料資產管理平臺等。向上會做各種單向的應用，比如說人臉核身、文字識別、人臉識別和影象識別等。更上面是行業解決方案，比如說智慧工業、智慧交通等。
基於這些能力，在過去幾年騰訊雲嘗試非常多的工業領域的AI應用，有很多的收穫，也有不少的教訓。其中，最大的感受是落地工業AI是挑戰和機遇並存的。
挑戰包括：工業企業IT基礎薄弱；業務門類多，差異大；需求零散、通用性差；定製化需求強；資料積累薄弱；可借鑑經驗少；跨界人才短缺；專案週期長，溝通多。
機遇則是，新基建政策支援；世界最大製造業國家；從中國製造到中國智造轉型升級；最完整的產業鏈；萬億規模工業網際網路市場；雲+AI大幅降低門檻；人力成本逐年攀升；人工智慧技術的成熟。
如果大家也做這個領域的事情時就會有同樣的感觸，下面我給大家介紹一些騰訊在工業AI領域實踐的具體案例。
華星光電面板ADC首先來看一下，我們和合作夥伴給華星光電做的ADC自動缺陷檢測專案，這個專案的背景是這樣的：
華星光電是深圳建市以來，單筆投資最大的工業專案，達到443億的投資。
我們需要在7×24小時的不停擺產線中嵌入AI系統執行，這個系統是不能停擺的，否則會造成比較大的經濟損失。
產線在每個工序之後，需要對玻璃基板上的缺陷進行顯微拍照和分類，分類之後進行修復或丟棄；因為如果是有殘次的面板，進入下一個環節，產生成品的時候，殘次品就會造成更大的經濟損失。
之前質量檢測是人工進行的，每個工人每天要檢測超過1萬張照片，而且是小黑屋看電腦，很枯燥，檢測面臨著人力需求大、培訓上崗週期長（2-3個月），離職率達到20-30%。
人員判別準確率會受個人經驗和狀態影響，有誤判漏放情況發生。
華星光電從立項到真正交付使用達到可靠的標準，這個經過了比較長的時間，並不像想象中那麼順利，前後經過了一年多的時間。
之所以這樣，是我們的工程師需要對這個領域的知識和缺陷進行學習和理解；工廠需要給我們提供大量的樣本資料，並且工人用的額外時間對樣品進行打標和分類，花了很多的時間，經過很多次的互動；圖片處理也不像之前想象的用深度學習分類一下就好，主要還是分類的樣本很少、分類不足、部分分類少、分類不準的問題。實際環境還有圖片傾斜、尺寸偏差、顏色偏差的問題，這些問題之下，需要進行缺陷的定位，然後對缺陷進行分類，分類的同時還要判斷缺陷對液晶面板造成的金屬相交和斷線的問題，這些都是因為要在核心繫統裡面嵌入自動化的系統替代人工。
整體的方案如上圖所示，電路板因為保密的因素只截了很小部分。主要框架是這樣，圖片先做傾斜校正、尺寸校正、顏色校準，再用深學習分類，同時，透過金屬切片的模板摳圖來做電路板的相交和電路分析。首先是縮放校正和尺寸校正，前面的圖可以看出有大量的水平或垂直線，先用LDS篩選長線段做傾斜角度的估計然後進行傾斜的校正，校正完之後會再檢測長水平線和豎直水平線，並對水平和垂直方向上的直線做聚合，找出最大間距，以此進行判斷，然後進行縮放的校正。
同時，由於生產環境和相機引數的問題，同一個生產環節的照片和顏色的差異。再由於時間和人力的限制，訓練極的顏色和實際生產的顏色也有比較大的偏差，在推理之前，會對圖片進行RGB均值聚類，之後再推送到分割網當中去。大部分圖片是黃褐色和棕色，少量呈現紅色，如果把訓練資料僅包括1和3的黃綠色圖片，生產環境當中存在24這樣的總褐色圖片，表現是很不理想的。
在影象的校正完成之後，下一步就是缺陷的定位，由於之前的樣本數量比較少，同時存在小樣本覆蓋的問題，所以採用了“週期對比+語義分割+深度學習”的方式，因為面板存在著大量的重複性週期，對於超過3個重複性週期就採用重複對比的方式，選定一個區域的畫素，比相同週期的畫素過大或者是過小，這個點就是缺陷點。
這個方法好處是準確性比較高，不足是週期性比較少的區域和邊緣區域效果不太好，對於週期性比較小、邊緣區域就採用標準語義分割的方式進行畫素的聚類，之後分類，再找到缺陷。好處是比較簡單，不足是需要大量的標註，標註的區域比實際的缺陷要大，因為人的標註比實際標註大一點。
做完缺陷定位之後就進行深度學習的分類，我們可以看到深度學習網路分類之後，再投射到二維鏡面，這是分類的花瓣圖。同時，在專案中，客戶不僅關心面板上的缺陷型別，他還關心這個缺陷對於電路造成的影響，比如說缺陷落在金屬上，導致金屬斷路。金屬殘留落到金屬上，可能會造成金屬的短路。所以，我們對金屬面板摳圖模板的分析，這是金屬器件的模板。我們用金屬殘留和線路進行相關性的獲取，比如說第一個是金屬殘留，進行相交操作的時候，發現它和兩個金屬線都有交集，這樣我們就能判斷這個金屬殘留對於電路造成的短路影響。第二個金屬殘留和這兩條線進行交集時，發現它並沒有交集，就說明它對電路不造成影響。雖然有金屬殘留，但是不影響電路板的效能。還有殘缺，殘缺和金屬線相交之後，發現了斷路，造成斷路影響。還有一種更復雜的情況，這些金屬是成組的，這一排是互相連線的，有金屬落在上面不產生短路，但是上下兩排相交會造成短路。
華星光電專案初期很多工作是獨立實現的，效率比較低，最終專案交付之後，總結專案經驗，打造工業平臺，封裝資料、任務管理、微服務、容器化等的服務，用視覺化、拖拽式來管理，大大提高工作效率。現在模型訓練和調優至少提升60%的效率。專案上的週期也縮短到了“周”的級別。
這個專案意義還是蠻重大的，首先它是目前為止國內最大規模的工業AI質檢專案，也是首個應用到核心工作生產環節的專案，並不是輔助專案，而是直接在核心環節的專案。質檢覆蓋率超過80%，同時，每年為客戶節省成本超千萬元。檢測速度比之前的人提升5-10倍，分類準確率接近90%高於人工的80%。相比人工質檢有更高的穩定性和擴充套件性，因為人的產能快速提升，質檢的工作很難跟得上。
工廠人員工效最佳化相比液晶面板這樣的高度自動化的產線的情況，在機械裝備業、製造業，對現場工人的依賴更加的明顯。我們來看某大型客機公司的效率最佳化專案。
這是我們和合作夥伴一起為空客做的專案。空客做客機裝配時，它有800多萬個零件，由好多個工人裝配數月，這個裝配不像咱之前想象的是汽車的高度自動化的，它也很自動化，但是還是有大量的人工裝配過程。
我們就和合作夥伴透過分析裝配車間的攝像頭、拍照影片，對影象識別技術對現場工人匿名分析，分析非常頻繁的路徑、路徑和裝配的貨位之間的關係進行合理的分析。
基於人體識別和軌跡追蹤的視覺演算法，為生產管理和最佳化提供視覺化的資料，為人員提供視覺化的統計、為工序貨位提供可靠依據，同時依靠電子圍欄，劃定安全的生產區域，防止出現這樣的安全生產的問題。下面是人員最佳化的工效可檢視，藍色的是有效的工作時間，灰色的是無效工作時間。如果說把藍色的柱狀圖有明顯的提高，其實這個裝配效率會有大大提升，同時，也會帶來很明顯的經濟效益。
裝置預測性維護下面是常見的裝置維護性的專案，是落地的案例。在工業裡面的煉油、煤礦焦化都是流程性的行業，單個裝置、核心裝置價值很高，同時，產品比較單一，需要透過大規模的生產來保證規模化的效應，同時需要連續的生產來保持利潤。如果一旦核心裝置產生故障就會造成非常大的損失。
2011年的時候某國有煤礦企業一個齒輪機的損壞，造成了一個月的非計劃性停產，導致5.9億產值的經濟損失。因此，保證核心裝置的健康執行，及時發現故障是非常重要的。
我們為某煤礦企業做了煤礦的皮帶機的預測性維護，透過訊號採集、乾草堆現象分析、包絡解調、特徵訊號識別等手段確定軸承外圈損傷，我們給出預計剩餘壽命10個月，建議企業提前進行採購，這樣就避免了超億元的損失。
騰訊也打造了裝置健康管理，藉助智慧診斷演算法可以發現裝置早期的故障，結合小程式助手來幫助企業從容面對故障維修。這是現在的小程式，你可以進行裝置故障的監控，監控出現異常的及時上報，線上進行維修會籤、審批、維修，最終來完成閉環的流程。
現在我們也支援齒輪箱、電機、振動篩、空壓機、煤磨、泵、風機、輥壓機、液耦等等。還有這些品類和品牌，並不斷的擴充當中。
能源行業知識圖譜下面看能源行業知識圖譜專案，能源行業資料量大、經驗分散，同時基礎的監控、測量資料上報非常大量，同時在運維現場時，資料查詢、異常發生相似度搜索、輔助診斷和輔助決策一直是比較大的挑戰，為此我們透過結合物聯網進行資料採集、和基礎資料的採集，共同打造了物聯認知大腦，結合圖神經網路、業務演算法模型來共同做裝置執行狀態的感知。
線網執行風險預測、裝置故障告警的判斷、檢修自動生成，裝置智慧監控、裝置知識查詢、智慧排程和智慧醫生等。
這個系統不僅僅可以能源行業應用，只是我們先應用在了能源行業。在電力系統裡面我們已經多次的進行了應用，當異常的時候，大腦可以進行搜尋，搜尋當前的裝置在歷史上的執行狀態，可以數十倍提升診斷效率。就像醫生看病一樣，出現故障時，醫生可以通過歷史上很多不能說的經驗，而找到這樣的相似案例，大大提高效率。
工業AI視覺巡檢下面是工業AI視覺巡檢案例，工廠的規範，安全生產是製造業行業非常重要的工作，以前是靠各種流程規範和約束，以及人員進行巡檢、抽檢保障，現在結合AI的機器技術，透過影象採集，對資料進行標註、訓練、封裝，透過資料BI的展現，還有聯動告警平臺，很好解決安全生產的問題，並且協同實現聯動告警、聯動人員績效考核、聯動應急指揮、聯動門禁和禁區管理等等的工作。
這個是我們聯合合作伙伴為某大型家電製造企業打造的AI視覺巡檢的專案，大家可以看到工人正在施工做產線的工作，底下就會自動發現沒有按照標準規範操作的異常操作，及時的進行提醒，右邊是定義的規範操作，圖中1234都有標準的操作，如果沒有按照規範操作，就會進行相應的聯動處理、報警。
由於時間的關係，我們還做了很多和工業AI相關的嘗試沒有辦法一一向大家介紹，後面的四個專案也只是簡單地介紹了一下。
工業領域的AI專案很多都是剛剛起步，行業知識多且深、跨界人才少，AI介入核心環節困難重重，但當我們解決一個問題之後就像爬過一座山峰，回頭看的時候，爬過的辛勞和困難都已經成為過去，不再痛苦，並且成為寶貴經驗。
向前看的時候，正因為我們解決了具體的困難和問題，我們可以到新的不同的地方，比如說湖、島和森林，有了更多的可能，比如華星光電就從原來有人工中斷的過程變成更加全自動的過程。
因此，騰訊雲也希望和您一起越過一個個山峰，共同遇見更多美好和可能。這裡的您有兩個意思，一是我們希望有更多工業AI領域的合作伙伴和我們合作，去一起打造垂直領域的人工智慧解決方案。
工業領域的行業知識非常深，騰訊很難深入到每個行業，所以，就需要合作伙伴和我們一起來打造這個行業的解決方案。另外，我們希望有更多的工廠、企業願意把自己的生產環境當中想用智慧化解決的問題交給騰訊，讓騰訊和騰訊的合作伙伴一起來解決，幫助企業和工廠來實現智慧工廠，智慧製造的能力。
以上是我今天的分享，謝謝大家。雷鋒網雷鋒網