基於Intel Analytics Zoo上分散式TensorFlow的美的/KUKA工業檢測平台

背景

工業檢查（用於產品缺陷檢測）是現代製造業的重要組成部分。隨著人工智慧，計算機視覺和大數據技術的發展，我們可以建立先進的工業檢測系統以實現和人類水平媲美的準確性，並具有更高的效率和更低的成本。在本文中，我們將分享我們在美的/ KUKA，使用英特爾Analytics Zoo（一個基於Apache Spark、TensorFlow和BigDL的開源數據分析+ AI平台），來建立基於深度學習的工業檢測平台的經驗。

基於Analytics Zoo的端到端的解決方案

為了便於構建和生成大數據的深度學習應用程序，Analytics Zoo 提供了統一的數據分析+ AI平台，可將Spark，TensorFlow和BigDL程序無縫集成到一個統一的數據分析流水線中；然後，整個流水線可以透明地擴展到（運行在標準的Intel至強伺服器上的）Hadoop / Spark集群，以進行分散式訓練或推理。

如上圖所示，Midea / KUKA的工業檢測平台是一個建立在Analytics Zoo之上的端到端數據分析流水線，包括

（1）使用Spark以分散式方式處理從製造流水線獲取的大量圖像。

（2）使用Tensorflow Object Detection API直接構建對象檢測（例如，SSDLite + MobileNet V2）模型

（3）直接使用在第一步中預處理的圖像RDD，以分散式方式在Spark集群上訓練（或微調）對象檢測模型。

（4）直接使用評估圖像集的RDD，以分散式方式在Spark集群上評估（或推斷）訓練模型。

（5）使用Analytics Zoo中POJO模式的API, 將整個Pipeline 部署在低延遲的、在線Web 服務中。

在檢測時間期間，具有相機的工業機器人可以自動拍攝產品的照片，並通過HTTP將圖像發送到網路服務以檢測各種缺陷（例如，缺失標籤或螺栓等），如下所示。

Spark，TensorFlow和BigDL的統一集成

如前所述，Analytics Zoo提供了「集成數據分析」的深度學習編程模型，因此用戶可以輕鬆開發端到端的數據分析+ AI 流水線（使用Spark，TensorFlow，Keras等），然後透明地運行在大型Hadoop / Spark集群上、使用BigDL和Spark進行分散式訓練和推理。此外，用戶還可以輕鬆部署端到端的流水線，以實現低延遲的在線服務（使用Analytics Zoo提供的POJO風格的模型服務API）。

例如，為了以分散式方式處理缺陷檢測流水線的訓練數據，我們可以使用PySpark將原始圖像數據讀取到RDD中，然後應用一些變換來解碼圖像，並提取邊界框和類標籤，如下所示。

返回的RDD（train_rdd）中的每條記錄都包含一個NumPy ndarray的列表（即圖像，邊界框，類和檢測到的框的數量），它可以直接用於創建TensorFlow模型，並在Analytics Zoo上進行分散式訓練。我們可以通過創建TFDataset（如下所示）來實現這一功能。

在Analytics Zoo中，TFDataset表示一個分散式存儲的記錄集合，其中每條記錄包含一個或多個Tensorflow Tensor對象。然後我們可以直接將這些Tensor作為輸入構建Tensorflow模型。例如，我們使用了Tensorflow Object Detection API構建了SSDLite + MobileNet V2模型（如下圖所示）：

在模型構建之後，我們首先載入預先訓練的Tensoflow模型，然後使用Analytics Zoo中的TFOptimizer（如下所示）對模型進行微調訓練；最終我們在驗證數據集上達到0.97 mAP@0.5。

在運行過程中，Analytics Zoo使用PySpark從磁碟中讀取了輸入數據並進行預處理，並構造了一個Tensorflow Tensor的RDD。然後，基於BigDL和Spark 對Tensorflow 模型進行分散式訓練（如BigDL技術報告所述）。無需修改代碼或手動配置， 整個訓練流程就可以自動從單個節點擴展到基於Intel至強伺服器的大型Hadoop / Spark集群。

模型訓練結束後，我們還可以基於與訓練流程類似的流水線，使用PySpark，TensorFlow和BigDL在Analytics Zoo上執行大規模的分散式評估/推斷。

低延遲的在線服務

如下所示，我們也可以使用Analytics Zoo提供的POJO風格的模型服務API輕鬆部署推理流水線，以實現低延遲的在線服務（例如，Web服務，Apache Storm，Apache Flink等等）。有關詳細信息，請參閱：https://analytics-zoo.github.io/master/#ProgrammingGuide/inference/

結論

Midea / KUKA通過結合人工智慧，計算機視覺和大數據技術，在Analytics Zoo上成功構建了先進的工業檢測系統。它使用了工業機器人，相機和英特爾至強伺服器等工具對產品的缺陷進行自動檢測。尤其是Analytics Zoo提供統一的數據分析 + AI平台，可將Spark，BigDL和TensorFlow程序無縫集成到一個數據分析流水線中，從而可以輕鬆構建和生產化部署基於大數據的深度學習應用程序（包括分散式訓練和推理，以及低延遲在線服務）。您可以參考Github上的示例了解更多詳細信息。

譯文出處

https://software.intel.com/en-us/articles/industrial-inspection-platform-in-midea-and-kuka-using-distributed-tensorflow-on-analytics

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！