5G 边缘 AI 无线大带宽传输、智能识别、低延迟本地处理、安全稳定等特点，在一定程度上解决了工业质量检测难度高、劳动力成本高、检测效率低等问题。主要介绍 2 常见的基础 5G 边缘 AI 实现工业质量检验应用架构，并从多个维度进行比较，为实际应用提供选择性建议。同时，根据检测对象和环节的不同，总结了四类 5G 边缘 AI应用于工业质量检验。
工业质检现状及发展趋势
在汽车、3C 工业质量检验是产品、芯片、光伏等领域不可或缺的环节，极大地影响了产品产量的质量和速度。目前，工业质量检验存在以下痛点和挑战。
a）检测难度大：工业产品的复杂性和精细化程度不断提高，主要体现在零部件体积小、风格多样、形状不规则、更新频繁等方面，大大提高了质量检测和控制的难度。
b）劳动力成本居高不下：目前，工业质量检验仍大量依赖劳动力。工业零部件和设备的质量是通过人工长时间、大批量的流水检测来判断的。这种方法受人工经验和主观因素的影响较大，对质检人员的专业素质要求较高。尽管一些企业也陆续引进了高精度检测设备，但仍要求操作人员具备一定的专业检测知识。为保证检测效果和质量，需进行大量的人员岗前培训。此外，高强度和重复的流水检测对质检人员的视力和体力影响很大，人员流失也很常见。为了维持企业的正常运行，保留质检人员，必须进一步增加劳动力成本。
c）检测效率低：工业质量检验的速度和稳定性受质量检验人员技术水平和经验的限制。在长期高强度的工作环境中，质量检验人员容易出现能量分散、情绪波动等问题，影响检验效率。
随着行业竞争的日益激烈，劳动密集型工业质量检验模式难以适应市场的发展和变化。为了实现更高效的生产能力、更高质量的产品质量控制和更低的劳动力成本，获得竞争优势，智能转型已成为工业质量检验的发展趋势。
5G 边缘AI赋能工业质检
5G成为新一代智能制造系统的关键使能技术，是新基础设施之首。G 大带宽、低延迟、高可靠性等特点使无线技术能够应用于高清图像传输和处理、现场设备实时控制等新的工业应用，解决移动传输为工业质量检验奠定良好的网络基础。智能应用不再局限于有形电缆，而是大大提高了灵活性。
2020 年，人工智能和 5G 列入新基建七大领域。AI 与 5G 它的结合催生了各种新型的智能应用，改变了生产模式，提高了生产力。目前，AI实现模式主要分为云AI和边缘AI两种。云端AI收集到的数据通过公共网络上传到云处理，对网络带宽要求较高。一旦网络出现故障，就不能正常工作，存在一定的安全风险。边缘 AI将 AI从云下沉到靠近用户的边缘，实现本地化的数据处理和AI智能检测、安全性强的智能检测，当网络出现故障时，仍能正常工作，可靠性高。
工业质量检验是劳动密集型和工作密集型场景。一旦中断，将极大地影响工作效率。因此，实时、稳定、安全的智能检测尤为重要。基于 5G 边缘 AI 工业质量检验应用，可实现低延迟、无接触智能检测和当地大数据处理，减少现有设备和工艺改造，有效提高工作效率，减少传输网络负荷，确保数据安全，实现自动学习和不间断平行检测，降低劳动力成本，当业务数据积累到一定程度时，可探索数据的潜在价值，为业务决策提供有力支持。
基于5G 边缘AI工业质量检验业质量检验应用
在工业质检场景下，5G 边缘 AI根据边缘位置的不同，应用程序主要分为以下两种实现架构。
基于 5G 边缘 AI 设备的实现架构如图所示 1 所示，其将AI功能下沉到最接近客户现场的边缘，即摄像头、传感器和边缘 AI在一线作业/检测位置部署设备等。边缘 AI 根据摄像头或传感器收集的原始数据实时进行设备 AI 第一时间分析 AI 检测结果反馈给不受网络环境影响的现场有线连接显示和声音提醒设备，并通过5G网络将检测数据和结果返回后端管理平台进行统计显示。
该架构由数据采集、现场反馈、边缘处理、网络传输、管理平台等组成。
3.1.1 数据采集
原始数据采集是AI缺乏良好的原始数据是应用中最重要的部分，AI算法的效果会大大降低。原始数据(图像、视频、音频、文本等。)由各种类型的摄像头和传感器在适当的位置获得，并通过有线传输到边缘AI处理分析设备。在低照度下，可以添加外部光源，以提高采集数据的清晰度，避免光照不足影响输入数据的质量，创造稳定的环境色温，减少周围环境光照变化的影响。
3.1.2 边缘处理
边缘 AI 通过5G网络返回到后端管理平台。
边缘AI设备应具备以下功能模块。
a）高性能处理器 CPU：多摄像头调度、过程调度、软件程序控制、指令执行等、软件程序控制、指令执行等。
b）GPU/NPU：集成图形处理器GPU或神经网络处理器 NPU，提供 TOPS 等级以上计算能力，支持 TensorFlow/Caffe/MXNet等 AI模型的加载用于处理摄像头视频、图像等原始数据 AI 分析。
c）I/O接口：配备多种I/O接口(见表1)并支持相关数据传输协议灵活适应应用场景。在实际应用过程中，可以根据业务需要删除或添加接口。
表1 边缘AI设备常用I/O接口
d）网络通信：集成5G模组或通过RJ45、USB等接口外接 5G 有数据传输终端 5G 传输能力。可根据需要内置或外接Wi-Fi、Bluetooth、4G等通信模块。
e）内存及存储：用于临时数据存储的具有一定容量的内存及存储，AI 模型存储等，其尺寸决定了设备AI模型承载能力。存储空间有限，AI模型应尽可能轻量化。
f）视频编解码：支持 H.265、H.264、VP9、VC-1、MPEG-在保证视频质量的基础上，通用的视频编解码标准及相关带宽压缩技术应尽可能降低传输速率。
g）供电散热：配备电源、风扇等供电散热模块，确保设备正常运行。
3.1.3 现场反馈
分析结果通过有线外部显示屏、扬声器等设备实时显示和声音报警，为下一步处理提供及时稳定的参考。
3.1.4 网络传输
通过5G无线空口将数据返回覆盖该区域的5G基站和上联机房在上联机房与后端云平台服务器之间建立数据专线，提供专用数据传输链路，保证链路质量，保证数据安全稳定。
3.1.5 管理平台
在公有云或企业私有云上部署后端管理平台 AI 存储和统计显示设备回传的检测数据和分析结果。
特别是图1中的数据采集、现场反馈和边缘处理 3 除了独立存在，一些涉及的设备也可以组合成一个整体，比如 5G 边缘 AI 集成了质检机器人 5G 模块、摄像头、传感器、交互显示屏和边缘 AI 处理所需的硬件和功能模块。
基于 5G MEC 将实现架构 AI 功能下沉到客户现场/边缘接入机房，构建一个 5G MEC 专网将摄像头或传感器收集的原始数据分流到客户现场/边缘机房MEC边缘云，在MEC上部署AI服务器、管理平台等，边缘处理原始数据，AI 分析统计显示，同时接入厂区本地网，数据无内网，保证数据安全。实现架构如图2所示。
该实现架构由数据采集、网络传输、边缘处理和管理平台组成。
3.2.1 数据采集
在摄像头和传感器中集成5G模组或外接5G数据传输终端采集原始自然光、热成像或音频等数据 5G 无线回传。数据采集部分涉及的设备也可以组合成一个整体，如 5G 移动采集机器人。
3.2.2 网络传输
实现架构采用 5G MEC 专网传输数据。原始数据通过5。G无线空口返回5G基站，5G基站将业务数据(以下统称专网数据)分流到MEC实现业务流量本地卸载。
根据机制可分为以下两种方案。
a）在客户现场/边缘接入机房部署下沉UPF/GWU 用户面网关。在 5G SA/NSA 基于核心网控制面与用户面分离的理念，UPF/GW-U 将用户面网关下沉部署到客户现场/边缘。在数据传输之前，5G基站向核心网报告控制面信令消息，核心网控制面网关SMF/GW-C根据专网终端携带APN等待信息，为专网数据选择下沉的专网 UPF/GW-U，建立默认承载。收到专网终端发起的数据传输请求后，基站通过默认承载将专网数据转发到下沉的专网 UPF/GW-U；若非专网数据，5G 将基站转发给公网用户面网关，控制数据转发，实现专网数据分流。
b）在MEC部署DP分流模块，串联在5G基站与核心网之间。DP分流模块一般采用二层模式串联5G基站与核心网之间 S1 链路上，对 S1 流量包分析分流，专网数据分流 MEC 上，将非专网数据传输到核心网。
3.2.3 边缘处理及管理平台
在 MEC 上部署 AI服务器、媒体服务器、编解码服务器和业务管理平台MEC边缘有专网数据AI分析和处理，并将分析结果和相关检测数据传输到业务管理平台进行存储和显示。MEC上部署 MEP 边缘管理平台，VAS 增值服务等相关模块，实现对MEC的管理。
笔者将基于 5G 边缘 AI 备的实现架构与基于5G+MEC 的实现架构进行对比发现前者在 AI 分析时延、稳定性、成本等方面较后者有一定优势，尤其适用于实时性和稳定性要求严格、成本受限的场景；后者在 AI 模型承载及扩展、安全性方面有突出优势，尤其适用于安全要求高的大型复杂工业质检场景。
5G+边缘AI在工业质检中的应用
5G与边缘 AI应用在工业质检领域已逐步开展探索和实践，不同场景下所采用的实现架构应综合质检业务类型、允许的检测时延、AI检测功能复杂度、稳定性及安全性要求、项目成本等各方面因素灵活选择。
根据检测对象和环节的不同，5G+边缘 AI在工业质检中的应用可分为以下几类。
工业领域的零部件具有种类繁多、工艺精密、体积形状多样、检测标准不一的特点，人工质检难度大、复杂度高，很容易出现漏检、错检的情况。基于 5G 与边缘 AI 技术将零部件多角度、高清晰度的图像、视频等原始数据进行回传，通过边缘内置的AI智能检测算法，实现多标准、高准确度的实时零部件智能检测，提高检测效率，降低人工成本。
示例 1：手机玻璃盖板瑕疵智能检测。玻璃盖板是手机关键零部件，直接影响手机操作体验。通过多角度组合光源和高分辨率摄像头进行数据采集，可以实现点状缺陷（黑点、白点、凹凸点、点状划痕等）、线状缺陷（划痕、刮伤、脏污等）、气泡、边缘崩边、透光等各类微小瑕疵的智能检测。
示例 2：汽车曲轴连杆类型智能检测。发动机曲轴连杆的外形有很高的相似度，不同发动机所使用的连杆之间，甚至一个连杆的正反两面往往也只有几个特征点有明显不同。通过将摄像头、传感器应用在多种汽车发动机曲轴连杆的自动化生产线上，边缘内置的AI检测算法可以辨别不同类型的产品，助力自动化生产线的高效运行。
在工业领域，各种零部件将遵循一定的规则和结构，组装成最终的产品。产品的整体质量检测和故障排查也是工业质检的重要一环。基于5G与边缘AI技术，实现对产品运转数据的采集、无线大带宽回传和实时AI分析，为产品整体性能和故障检测提供宝贵的参考依据。
示例 1：空调噪声智能检测。噪声大小是空调的一项重要指标。空调噪声在生产线上淹没于工厂内嘈杂的设备噪声之中，可以在生产线上增设音频采集设备，由音频采集设备事先采集工厂内的设备噪声数据，建立噪声库；然后通过边缘内置的 AI 检测算法对设备噪声进行识别，将设备噪声作为背景音从采集到的音频中剔除，并对剔除背景音的声音数据进行分析，实现空调噪声的智能检测。
示例 2：PCBA 故障智能检测。在印制电路板 PCBA生产组装过程中难免会出现缺陷或不良，如元器件错焊、漏焊、移位、裂纹、焊盘翘起等，售后产品也存在损坏返修的问题。PCBA 板为有源电路，发热异常是判断故障的重要依据。自然光和红外摄像头可以收集PCBA板自然光数据、上电过程的热成像数据，获取温度热图数据，边缘内置的AI检测算法将其与标准良品热图进行比较，实现异常点快速定位和失效分析，大大减少维修时间。
目前，智能质检尚未完全取代人工，产线工人与智能机器并存是常态。基于 5G 与边缘 AI 技术，对产线工人的动作行为、情绪状态等进行高清实时监控，若发现潜在的影响工作质量和效率的问题，进行实时预警，进而采取防范和改善措施，降低事故发生的风险和概率。
示例 1：产品装配操作智能监控。产线工人参与的产品装配作业中，通常包含固定的操作流程如伸手、抓取、移物、定位、装配等。操作人员在长时间工作或被干扰后，装配动作会出现遗漏、误操作等问题，影响产品质量。通过高清摄像头对产线工人的动作行为进行监控，边缘内置的AI检测算法可以自动识别人工装配过程中的工序是否正确，对错误操作进行实时报警提示，加快问题暴露，节省时间。
示例 2：质检人员情绪及精神状态监控。质检人员的情绪及精神状态会极大影响其工作效率和质量，极端情况下，甚至会威胁自身安全。基于 5G+高清摄像头可以对质检人员的面部表情、动作等进行实时AI监测，一旦发现疲劳、注意力不集中、悲伤、愤怒等现象，可以及时提醒相关人员，避免不必要的事故。
通过 5G+边缘 AI智能质检，企业可以积累大量精确的、全面的质量检测数据，记录检验过程中的细节（如视频、缺陷图片、产品参数设置、生产流水线标记等）以及缺陷判断结果。以质量大数据为基础，企业可以进行质量趋势、缺陷成因、产能问题定位等智能AI 分析，反观生产工艺、产线设备中影响产品质量的问题，进而推动参数优化、工艺改进和设备维护升级，从源头减少或杜绝缺陷品的产生，做到质量管理事前控制，降低质检工作量，为产品制造打下良好的基础。此类应用需在质量大数据的基础上进行AI分析，提供预测性维护及改进指导意见，对时延不敏感，但对硬件算力、存储和数据安全性要求较高，一般采用基于5G+MEC的实现架构。
结束语
在工业质检领域，5G 与边缘 AI 因其大带宽、智能、实时、安全、稳定的特点受到青睐，目前已在零部件、组装及成品、产线工人动作及状态AI智能检测、预测性维护及改进分析等方面逐步开展应用探索和实践。根据业务实际需求，企业可灵活选择基于 5G+边缘AI设备或5G+MEC的实现架构。未来，随着技术的发展和行业探索的深入，5G+边缘 AI在工业质检领域将衍生出更多的应用类型，丰富应用场景，发挥更大的价值。
参考文献
［1］ 网宿科技股份有限公司 . 基于边缘计算的 AI表面无人质检系统解决方案［J］. 自动化博览，2020（10）：58-61.
［2］ 侯大为 . 从 AI 质检机器人，到以质量大数据驱动的数字化工厂［J］. 人工智能，2020（3）：74-83.
卢丽文，毕业于北京邮电大学，工程师，硕士，主要从事5G终端应用研究工作；
黄锦川，毕业于东南大学，工程师，硕士，主要从事5G终端应用研究工作；
王运付，毕业于电子科技大学，工程师，硕士，主要从事5G终端应用研究工作。