背景

工业检查（用于产品缺陷检测）是现代制造业的重要组成部分。随着人工智能，计算机视觉和大数据技术的发展，我们可以建立先进的工业检测系统以实现和人类水平媲美的准确性，并具有更高的效率和更低的成本。在本文中，我们将分享我们在美的/ KUKA，使用英特尔Analytics Zoo（一个基于Apache Spark、TensorFlow和BigDL的开源数据分析+ AI平台），来建立基于深度学习的工业检测平台的经验。

基于Analytics Zoo的端到端的解决方案

为了便于构建和生成大数据的深度学习应用程序，Analytics Zoo（https://github.com/intel-analytics/analytics-zoo）提供了统一的数据分析+ AI平台，可将Spark，TensorFlow和BigDL程序无缝集成到一个统一的数据分析流水线中；然后，整个流水线可以透明地扩展到（运行在标准的Intel至强服务器上的）Hadoop / Spark集群，以进行分布式训练或推理。

如上图所示，美的 / KUKA的工业检测平台是一个建立在Analytics Zoo之上的端到端数据分析流水线，包括

（1）使用Spark以分布式方式处理从制造流水线获取的大量图像。

（2）使用Tensorflow Object Detection API直接构建对象检测（例如，SSDLite + MobileNet V2）模型

（3）直接使用在第一步中预处理的图像RDD，以分布式方式在Spark集群上训练（或微调）对象检测模型。

（4）直接使用评估图像集的RDD，以分布式方式在Spark集群上评估（或推断）训练模型。

（5）使用Analytics-Zoo中POJO模式的API, 将整个Pipeline 部署在低延迟的、在线Web 服务中。

在检测时间期间，具有相机的工业机器人可以自动拍摄产品的照片，并通过HTTP将图像发送到网络服务以检测各种缺陷（例如，缺失标签或螺栓等），如下所示。

Spark，TensorFlow和BigDL的统一集成

如前所述，Analytics Zoo提供了“集成数据分析”的深度学习编程模型，因此用户可以轻松开发端到端的数据分析+ AI 流水线（使用Spark，TensorFlow，Keras等），然后透明地运行在大型Hadoop / Spark集群上、使用BigDL和Spark进行分布式训练和推理。此外，用户还可以轻松部署端到端的流水线，以实现低延迟的在线服务（使用Analytics Zoo提供的POJO风格的模型服务API）。

例如，为了以分布式方式处理缺陷检测流水线的训练数据，我们可以使用PySpark将原始图像数据读取到RDD中，然后应用一些变换来解码图像，并提取边界框和类标签，如下所示。

<<<<

train_rdd = sc.parallelize(examples_list)

  .map(lambda x: read_image_and_label(x))

  .map(lambda image: decode_to_ndarrays(image))

返回的RDD（train_rdd）中的每条记录都包含一个NumPy ndarray的列表（即图像，边界框，类和检测到的框的数量），它可以直接用于创建TensorFlow模型，并在Analytics Zoo上进行分布式训练。我们可以通过创建TFDataset （如下所示）来实现这一功能。

dataset = TFDataset.from_rdd(train_rdd,

            names=["images", "bbox", "classes", "num_detections"],

            shapes=[[300, 300, 3],[None, 4], [None], [1)]],

            types=[tf.float32, tf.float32, tf.int32, tf.int32],

            batch_size=BATCH_SIZE,

            hard_code_batch_size=True)

在Analytics Zoo中，TFDataset表示一个分布式存储的记录集合，其中每条记录包含一个或多个Tensorflow Tensor对象。然后我们可以直接将这些Tensor作为输入构建Tensorflow模型。例如，我们使用了Tensorflow Object Detection API构建了SSDLite + MobileNet V2模型（如下图所示）：

# using tensorflow object detection api to construct model

# https://github.com/tensorflow/models/tree/master/research/object_detection

from object_detection.builders import model_builder

images, bbox, classes, num_detections = dataset.tensors

detection_model = model_builder.build(model_config, is_training=True)

resized_images, true_image_shapes = detection_model.preprocess(images)

detection_model.provide_groundtruth(bbox, classes)

prediction_dict = detection_model.predict(resized_images, true_image_shapes)

losses = detection_model.loss(prediction_dict, true_image_shapes)

total_loss = tf.add_n(losses.values())

 >>>>

在模型构建之后，我们首先加载预先训练的Tensoflow模型，然后使用Analytics Zoo中的TFOptimizer（如下所示）对模型进行微调训练；最终我们在验证数据集上达到0.97 mAP@0.5。

>>>>

with tf.Session() as sess:

    init_from_checkpoint(sess, CHECKPOINT_PATH)

    optimizer = TFOptimizer(total_loss, RMSprop(LR), sess)

    optimizer.optimize(end_trigger=MaxEpoch(20))

    save_to_new_checkpoint(sess, NEW_CHEKCPOINT_PATH)

在运行过程中，Analytics-Zoo使用PySpark从磁盘中读取了输入数据并进行预处理，并构造了一个Tensorflow Tensor的RDD。然后，基于BigDL和Spark 对Tensorflow 模型进行分布式训练（如BigDL技术报告所述）。无需修改代码或手动配置， 整个训练流程就可以自动从单个节点扩展到基于Intel至强服务器的大型Hadoop / Spark集群。

模型训练结束后，我们还可以基于与训练流程类似的流水线，使用PySpark，TensorFlow和BigDL在Analytics Zoo上执行大规模的分布式评估/推断。

低延迟的在线服务

如下所示，我们也可以使用Analytics Zoo提供的POJO风格的模型服务API轻松部署推理流水线，以实现低延迟的在线服务（例如，Web服务，Apache Storm，Apache Flink等等）。有关详细信息，请参阅 https://analytics-zoo.github.io/master/#ProgrammingGuide/inference/

        AbstractInferenceModel model = new AbstractInferenceModel(){};

        model.loadTF(modelPath, 0, 0, false);

        List<List<JTensor>> output = model.predict(inputs);

结论

Midea / KUKA通过结合人工智能，计算机视觉和大数据技术，在Analytics Zoo（https://github.com/intel-analytics/analytics-zoo）上成功构建了先进的工业检测系统。它使用了工业机器人，相机和英特尔至强服务器等工具对产品的缺陷进行自动检测。尤其是Analytics Zoo提供统一的数据分析 + AI平台，可将Spark，BigDL和TensorFlow程序无缝集成到一个数据分析流水线中，从而可以轻松构建和生产化部署基于大数据的深度学习应用程序（包括分布式训练和推理，以及低延迟在线服务）。您可以参考Github上的示例了解更多详细信息。