好长时间没有静下心来写博客了，主要是因为文笔不好，加之这几年考研，读研，买房，买车，结婚，生子等等一系列的事情就把写博客这件事情给耽搁了。
转眼间已然到了而立之年，IT技术发生了翻天覆地的变化。虽说没有精力一直追着它跑，但是咱们也不能掉队，该学的还是要认真学的，该解决的问题也是要努力去解决的。
言归正传，本人学习AI也有一年有余了，在这学习的过程中遇到了各种各样的坑。把这些坑填完之后，信心满满的将AI应用到制造业领域开始实践职业生涯小目标--“工业4.0最强应用之工业智能眼”。这个想法起初余Andrew Ng主持的工业智能化项目Landing.AI的一个模块“自动视觉检测”。看了其视频介绍之后感觉人工智能在视觉检测领域“前途和钱途”都是一片光明的。
当我们开始真正将AI项目落地到制造业领域的时候，遇到了很多问题。 现我将我遇到的问题进行总结讨论。
- 问题一：样本不平衡
我们目前做的是电子产品在装配过程中的缺陷检测，因为工厂采用的是高度自动化的装配生产线所以在产品装配过程中产生的缺陷并不多。我们做过相关评估一条产线在生产过程中产生的缺陷率也就在万分之5左右。我们的产能是很高的每条生产线每天可以生产大约2万架产品。这就直接导致了样本严重不平衡的问题，PASS产品的照片非常多而FAIL产品照片非常少。
- 问题二：光照环境不标准，图片质量参差不齐
我们工厂在开始进行自动化生产线部署的时候就设计了在相关工位加装工业相机。这些工业相机型号却不一样，有的是高清工业相机有的是普通工业相机，这样就直接导致了拍摄出来的图片质量参差不齐。工业相机主要用来做记录数据数据使用所以并没有添加补偿光源。因为没有补偿光源所以导致图片里有相关物体的阴影干扰。
- 问题三：检测数量庞大
我工厂实行的是24小时不间断生产，平均每5秒钟就有一架产品从检测工位流过，一天一条Line有近20K的产品需要检测。如此规模的检测就必须要求AI在检测的Circle Time需要压缩到1s之内。考虑到这样的需求，系统在设计的时候就不能使用超大规模的神经网络进行训练，因为超大规模神经网络所需要运算的参数也是以几何倍数增长的。还需要考虑谨慎使用多模型融合技术，虽然多模型融合技术可以提高预测准确率但是其检测Circle Time也会拉长。
- 问题四：要求准确率高
工业级的产品需要非常可靠的技术支撑。客户要求我们模型预测准确率和精度需要达到99.5%以上。一旦准确率有所下降就很有可能导致瑕疵产品Ship到Customer手中形成严重的质量问题，这一点是0容忍的。
- 问题五：AI实战经验的人才短缺
虽说我公司是著名的高科技美资企业，但是具备AI实战的经验的工程师很少。开发人员开发完成一个模型之后需要亲自部署上线运行。运行一段时间后需要对模型进行重新训练的时候，还是需要开发人员亲自对图片进行预加工和模型调参优化。这就直接导致了开发人员整天忙于训练和调参，没有办法将精力Cover到新产品和新技术研发上面。
以上就是我们在AI人工智能在制造业领域项目落地的所遇到的问题，希望对小伙伴们在实际使用AI过程中有所启示。
后续的博客我会给出对于以上几个问题我是如何去解决的（部分问题还是没有解决）。
欢迎小伙伴们留言讨论。