基于美的 / KUKA工业检测平台使用Intel Analytics Zoo的深度学习

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，Midea / 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 )

<<<<

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

fromobject_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。

>>>>

withtf . 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。