科创中国

行业领域

高新技术改造传统产业

需求背景

深度学习在工业领域的应用越来越广泛，尤其在3D在线检测和工艺流程监测方面。基于深度学习的工业缺陷检测方法可以降低传统人工质检的成本，提升检测的准确性与效率，因此在智能制造中扮演重要角色。此外，深度学习在复杂工业系统的故障诊断方面也显示出了较大的优势与潜力。

在3D在线检测方面，深度学习可以帮助实现高稳定、高效率的运行。然而，该技术仍存在一些瓶颈，如端侧算力成本越来越高，以及随着工业相机像素越来越高，对算力硬件性能的要求也在提高。

在工艺流程监测方面，虽然基于深度学习的AI算法可以降低误判率，但也存在一些问题和挑战。例如，缺陷样本匮乏，生产过程中缺陷数据的数量和种类较少，数据不均衡，无法穷举生产过程中缺陷的种类和形态；数据的标注和清洗周期长，需要耗费大量的人力和物力；训练好的模型性能会大幅度下降，重新训练周期成本高；以及多模态数据的跨域学习和特征级数据融合等问题。

需解决的主要技术难题

深度学习在工业领域的应用面临多个主要技术难题：

1. 数据方面的问题：数据的质量和数量对深度学习的效果至关重要。然而，在工业领域中，缺陷样本往往匮乏，生产过程中缺陷数据的数量和种类较少，这会导致数据不均衡，无法穷举生产过程中缺陷的种类和形态。此外，数据的标注和清洗周期长，需要耗费大量的人力和物力。

2. 模型训练与优化问题：训练好的模型性能可能会大幅度下降，重新训练周期成本高。同时，深度学习的"黑盒"特性与工业制造追求的精确、可靠与可解释性存在天然矛盾，这会降低工业企业对深度学习的信任度。

3. 硬件限制问题：随着工业相机像素越来越高，对算力硬件性能的要求也在提高，这对深度学习在3D在线检测方面的应用造成了一定的困扰。

4. 多模态数据问题：现代工业系统中的数据来源多样，包含结构型和非结构型数据，如何处理这些多模态数据是一大挑战。

5. 跨领域问题：由于深度学习在其他领域的成功应用，有时会将其直接应用于工业领域，但可能忽视了工业领域的特殊性，导致效果不佳。

期望实现的主要技术目标

在工业领域，期望实现的主要技术目标包括：

1. 提升自动化和智能化水平：通过深度学习算法的应用，赋予工业生产“感知”能力，全面实现工业生产从“制造”到“智造”的发展。例如，深度学习技术能够广泛应用于工业互联网的全生命周期各个阶段，显著减少人工操作、提高自动化水平与生产效率。

2. 提升检测准确性与效率：基于深度学习的工业缺陷检测方法可以降低传统人工质检的成本，提升检测的准确性与效率，因而在智能制造中扮演重要角色。

3. 解决复杂系统故障诊断问题：随着现代工业系统朝着大型化、复杂化的方向发展，深度学习在特征学习与模式识别方面显示出较大的优势与潜力，有助于解决传统的工业系统故障诊断方法遇到的一系列的技术挑战。

4. 优化模型性能：如何有效维持并提高过程时变特性下深度学习的建模精度和性能，是未来深度学习在流程工业研究领域的一个重要目标。

处理进度