工业智能质检冠军方案解读—工业智能并行多目标检测系统

2024 高通边缘智能创新应用大赛聚焦不同细分领域的边缘智能创新应用落地，共设立三大热门领域赛道——工业智能质检赛道、智能边缘计算赛道和智能机器人赛道。本文为工业智能质检赛道冠军项目《工业智能并行多目标检测系统》的开发思路与成果分享。

赛题要求

聚焦机器视觉技术在工业质检中的创新应用，作品需体现技术先进性，解决实际问题，可选择3C、纺织品、玻璃、汽车零部件、锂电等行业中具体可落地的场景进行项目开发和实施。

作品简介

参赛团队利用高通QCS6490平台和阿加犀边缘智能工具链，开发了一款智能边缘检测设备。这款设备具有体积小、成本低、运算速度快的特点，搭载了工业智能并行多目标检测系统，能够在1秒内完成对流水线工艺板上装配到位情况和类别正确性等多项目标的检测，并实现自动化控制。

该检测系统不仅支持多机型，而且能够适应不同光照条件，检测准确率高达99%，适用于工业制造中的缺陷检测、环境监控和视觉引导等多种应用场景。

项目架构

由人工智能算法线程与控制系统监测线程并发处理，算法对多类型目标物进行检测，给出判断结果；控制系统监测线程实时监测PLC点位变化情况，实现相机、线体运动、报警系统控制。

项目优势

⚪识别多种类型目标：采用深度学习算法，满足多类型目标检测需求，兼容特征差异，例如识别工艺板上检测目标安装是否到位、识别是否为目标物等。

⚪检测效率高：先进软件技术和硬件平台的支持，实现多种目标准确识别，识别准确率99%，大幅提高了检测速度，保障了生产效率和产品质量。

⚪检测速度快：优化神经网络内部结构，轻量化后减少了缓存占用，提升了运行速度，可在1S内完成检测。

⚪智能化控制：集成实时监控、图像处理和人机交互等功能。即监控控制模块信号变化，实现图像采集，终端交互，控制线体流向，以实现生产流程的调整和优化。

项目亮点

⚪网络结构优化：优化网络结构中Fouce层，降低内存占用；利用ShuffleNet，减少组卷积使用。

Fouce层原本的设计是将特征图分割并重组，以减少计算量。项目进一步优化这一结构，减少了内存访问成本，同时保持了计算效率，这对于需要处理大量数据的深度学习模型尤为重要。
ShuffleNet是一个专为计算能力有限的移动设备设计的高效CNN结构。它通过逐点组卷积（pointwise group convolution）和通道混洗（channel shuffle）操作，在极大减少计算量的同时保持了模型的精度。

⚪阿加犀边缘智能工具链：模型转换平台AIMO能够实现在线模型转化、量化，加快落地部署；模型加载便捷接口，加快模型导入。

⚪高通高性能平台：高通QCS6490平台边缘智能物联网开发板具备强劲性能，集成了NPU、CPU和GPU等多种计算单元，能够支持主流的深度学习框架，满足复杂的数据处理需求。此外，该开发板配备丰富接口，支持多种网络连接模式，满足不同应用场景下的连接需求，增强了其在物联网应用中的灵活性和实用性。

模型大小减少约78%

推理速度相比CPU提升一倍

参数量减少约80%

项目成果

该项目在比赛设备的赋能下已取得重要进展，目前基本实现产品化，有望为工业质检领域提供高效、智能的更优选择。

⚪可视化界面：方便调试，实时显示检测结果、状态

⚪兼容性强：无需人工建模，多型号、多类型目标柔性检测，兼容多款不同机型，有效解决了设备检测单一、设备重复开发等难点。

⚪抗干扰能力强：有效应对工厂环境下光照不均匀、昏暗场景下、产品摆放姿态各异等检测。

⚪成本低、易部署：采用高通平台边缘计算设备，相对工控机开发模式而言，成本更低、设备更小、功耗更低，更具性价比；具有多种类型接口，方便扩展，算法模型部署工具方便易用。