本文来自微信公众号“常言道”。
制造业作为国民经济主体，是国家创造力、竞争力和综合国力的重要体现。作为制造强国建设的主攻方向，智能制造发展水平关乎我国未来制造业的全球地位。工信部联合发改委、教育部等多部门发布的《“十四五”智能制造发展规划》中明确提出，到2025年，70%规模以上的制造业企业基本要实现数字化、网络化，建成500个以上引领行业发展的智能制造示范工厂等具体要求。
与此同时，面对供应链环境不确定性的增加、人力等运营成本的逐渐攀升、“双碳”战略之下能源转型的迫切要求等情况，制造业想要实现高质量发展，迈向中高端水平，不仅需要从低附加价值领域向高附加价值领域两端延伸，更重要是需要加快人工智能等核心技术规模化应用落地。
在此背景之下，如何利用好人工智能这把利剑，加快新旧动能转换，实现传统生产方式的转型升级，也成为每个制造企业不得不思考的问题。
AI大生产平台助力智能制造规模化落地
5月20日，在深度学习技术及应用国家工程研究中心主办、百度飞桨承办的Wave Summit 2022深度学习开发者峰会上，百度首席技术官、深度学习技术及应用国家工程研究中心主任王海峰指出，在AI工业大生产阶段，深度学习技术的通用性越来越强，深度学习平台的标准化、自动化和模块化特征越来越显著，深度学习应用越来越广泛且深入，已经遍地开花。
从前沿科技到智能制造，飞桨作为中国首个自主研发、功能丰富、开源开放的产业级深度学习平台，一方面深入各种实际应用场景，发布丰富的产业级开源模型库和详尽的产业实践范例库，让开发者更容易使用飞桨。另一方面，也积极与各种芯片、边缘终端进行适配融合，形成了软硬协同的优势。更懂场景的飞桨不仅在便捷、易用、效能等方面再度刷新记录，更将为产业应用与前沿探索提供更加硬核的技术源动力。
截至目前，飞桨平台已凝聚477万开发者，服务18万企业，创建56万模型。依托飞桨，累计培养200万AI人才。
直击场景痛点，AI“智眼”和“大脑”带给工厂的新想象
基于国家政策的推动，凭借对产业变革的强大驱动力，目前，以飞桨为代表的深度学习平台在制造业的落地主要集中在工业视觉、工业设备监控、数据智能和物流仓储等应用场景，在研发设计、优化生产工艺和排期、设备运维、智能供应链等环节发挥着“智眼”和“大脑”的支撑作用。
场景一：工业视觉
工业视觉检测作为保障产品质量的重要环节，被广泛应用在钢铁、汽车、3C电子、印染纺织等众多领域。在AI出现之前，往往是依赖人工检测或者使用传统图像处理算法。人工检测效率低，成本高，且容易受到人为主观因素影响，传统图像处理算法对于复杂场景鲁棒性差，而随着卷积神经网络为代表的AI算法出现，其有效地解决在复杂场景检测中的问题，在实际的项目过程中对目标识别具有更好的普适性。
某汽车零部件生产公司喷油器阀座瑕疵检测每日平均需求4000-6000件，峰值12000件，此前只能通过人工肉眼来实现判断。依托飞桨平台完成喷油嘴识别模型，结合原有业务流程和硬件，实现零件瑕疵判读的无人化，已经节约近60万/年的人力成本，并将检验效率整体提高30%。
基于百度飞桨研发的喷油器阀座瑕疵智能检测设备
场景二：人员设备监控
在24小时不停运转的智能工厂里，突发的停机事件将会造成不小的损失。由于机床、工业机器人等设备的结构复杂，以往的设备监管存在设备维护成本高、对维护人员的技能要求高、维修效率低等问题。同时，在众多工业场景中，像重工业机械臂、电力塔无人机、自动导引车AGV因需频繁充电所导致的安全问题，也成为生产管理人员工作的痛点。
当前，AI工业设备开启了智能厂区管理新思维，为“智能、高效、安全、可靠”地运行提供了新的护航能力。以华夏天信机器人有限公司基于百度飞桨开发出的输煤胶带智能巡检机器人，不仅能实现高频次、无间歇巡检，还能通过摄像仪将实时视频回传并智能识别分析，一次性解决了工作效率、恶劣环境、作业安全等多项难题。
输煤胶带智能巡检机器人
场景三：数据智能
如今，在工业企业数字化转型升级背景下，工业企业数据在原本庞大的体量基础上仍在飞速增长。但在支持上层应用时，工业大数据在来源多样性、数据时序性和机器复杂性上面临诸多痛点。而如何从“人、机、料、法、环、测”等方面加强全生命周期数据开发利用，提升数据驱动作用，也成为行业需要突破的瓶颈。
以数据智能驱动制造企业提质增效正成为制造业数字化的一个重要特征。越来越多制造企业将数据服务嵌入业务场景中，在工艺优化、排产调度、异常预测与诊断问题等环节激发数据价值，甚至让常人难以忍受的机器噪音在AI看来意义重大，它反映着设备的健康状态和运行情况，并可针对性的进行设备预测性维护。
以某钢铁厂车间为例，飞剪设备剪下钢带后，会产生一个不到一秒的噪声脉冲。通过百度飞桨进行AI识别，与典型噪声特征集进行对比，在完成一段时间的生产数据统计后，即可分析整个切割机器是否异常，减少70%的故障停机，同时，通过科学维修排班，优化备件采购计划，还可使维护成本降低25%，工厂产量提升20%。
面对制造业数字化转型升级的诸多痛点时，尽管人工智能技术可以提供新的解决方案，激发新的能力，带来前所未有的价值。但在人工智能技术渗透到装备、生产工艺、生产决策、产品全生命周期管理、研发设计等环节，实现规模化协同应用的过程中,如何让制造业降低AI应用门槛，更简单、更灵活、更低成本地部署和使用AI，成为大多数制造业企业共同关心的问题。
场景四：智能物流仓储
制造业与物流结合紧密，随着制造业的高速发展，对自动化率、全产业链协同和生产效率再提高等方向均提出了更高的要求，需要物流仓储能够匹配相应的生产节拍。同时，据统计我国制造业生产成本中，物流占比高达三成，降低物流成本成为了制造业利润提升的关键一环。
在物流行业，每天会产生海量的电子快递单，NLP技术能够大大提升快递单信息结构化效率。应用飞桨自然语言处理开发库PaddleNLP，可以实现从用户提供的文字信息中快速抽取姓名、电话、省、市、区、详细地址等内容，形成结构化的信息可以很好地辅助物流行业从业者进行有效信息的提取，从而降低客户填单的成本。
如何更低门槛用上AI，快速成为行家里手？
面对智能制造发展的广阔蓝海，越来越多的开发者迫切希望找到深度学习模型在产业中落地的支点，掌握解锁技术攻关和场景落地的“通关密码”。
为此，飞桨携手产业合作伙伴，聚焦智能制造八大核心主题，硬核打造工业高价值深度学习系列课程。联合多位百度技术专家与行业专家，围绕智能工业质检、产区安防、设备预测性维护等热门赛道，直击制造业转型真实痛点，深度剖析技术难点及落地方案，深度讲解如何降低AI开发和应用门槛，共同解码制造业数字化的新变革。
