人工智能（AI）是一項(xiàng)極具普適性的技術(shù)，同時(shí)也是一項(xiàng)能夠成功實(shí)現(xiàn)自動(dòng)化工作流程的技術(shù)。它能夠突破迄今為止基于傳統(tǒng)算法所能實(shí)現(xiàn)的自動(dòng)化極限。然而，AI 在工業(yè)應(yīng)用領(lǐng)域的優(yōu)勢(shì)，唯有在無(wú)需深厚的 AI 專業(yè)知識(shí)便能輕松駕馭之時(shí)，方能得以充分展現(xiàn)與確立。這正是倍福開(kāi)發(fā) TwinCAT Machine Learning Creator 軟件的初衷。
基于算法的傳統(tǒng)自動(dòng)化體系依賴于一種相當(dāng)僵化的結(jié)構(gòu)，其運(yùn)作方式近乎于遵循一套既定的規(guī)則集合。當(dāng)情況 A 發(fā)生時(shí)，則會(huì)通過(guò) B 進(jìn)行回應(yīng)，以獲得所期望的結(jié)果 C。簡(jiǎn)而言之，從特定情境到預(yù)期結(jié)果的路徑是預(yù)先設(shè)想好的，然后精準(zhǔn)實(shí)施。而基于 AI 的方法則巧妙地運(yùn)用實(shí)例數(shù)據(jù)，自動(dòng)完成從特定情景到預(yù)期結(jié)果的學(xué)習(xí)路徑，因此無(wú)需人類明確構(gòu)思并轉(zhuǎn)化為算法。
AI 技術(shù)在工業(yè)領(lǐng)域有眾多潛在應(yīng)用，其中最前沿的莫過(guò)于 AI 機(jī)器視覺(jué)檢測(cè)。具體應(yīng)用包括成品生產(chǎn)線末端檢測(cè)、依據(jù)產(chǎn)品質(zhì)量或其它屬性精準(zhǔn)分揀產(chǎn)品（通常是天然產(chǎn)品），以及光學(xué)過(guò)程監(jiān)測(cè)和分類。這一廣泛應(yīng)用領(lǐng)域的具體實(shí)例包括但不限于：
對(duì)金屬體的形狀和/或表面質(zhì)量進(jìn)行最終檢驗(yàn)
按照不同的質(zhì)量等級(jí)分揀水果、木質(zhì)表面和羊毛等天然產(chǎn)品
垃圾分類回收
監(jiān)控加工區(qū)域，例如激光焊接過(guò)程監(jiān)控
處理視覺(jué)定位任務(wù)，比如特定物體定位和抓取任務(wù)
基于 AI 的方法在處理這些任務(wù)時(shí)的顯著優(yōu)勢(shì)在于，一旦經(jīng)過(guò)適當(dāng)?shù)挠?xùn)練，通過(guò)學(xué)習(xí)得出的算法便能展現(xiàn)出出色的適應(yīng)性，輕松應(yīng)對(duì)輸入數(shù)據(jù)的變化。這意味著，即使在其有限的能力范圍內(nèi)，經(jīng)過(guò)充分訓(xùn)練的 AI 模型也能有效有效應(yīng)對(duì)并妥善解決這些陌生情境的挑戰(zhàn)。
鑒于 AI 技術(shù)在工業(yè)領(lǐng)域所展現(xiàn)出的巨大潛力，工業(yè)企業(yè)目前所面臨的核心難題在于缺乏一批能夠高效、批量地創(chuàng)建 AI 模型的專業(yè)技術(shù)人才。在當(dāng)前競(jìng)爭(zhēng)激烈的就業(yè)市場(chǎng)中，對(duì) AI 專家的需求遠(yuǎn)遠(yuǎn)超出了實(shí)際的人才供給。更為關(guān)鍵的是，AI 專家只有與自動(dòng)化或過(guò)程控制專家合作，才能成功解決自動(dòng)化難題。這正是倍福的用武之地：TwinCAT Machine Learning Creator 能夠自動(dòng)執(zhí)行復(fù)雜的 AI 訓(xùn)練流程，使得自動(dòng)化與過(guò)程控制專家能夠自主創(chuàng)建 AI 模型。這極大地拓寬了這項(xiàng)技術(shù)的潛力，使其能夠惠及每一個(gè)人。
倍福為工業(yè) AI 應(yīng)用精心構(gòu)建了一個(gè)全面的生態(tài)系統(tǒng)，其核心優(yōu)勢(shì)在于能夠直接在工業(yè)控制器（PLC）上高效執(zhí)行 AI 模型。各種傳感器都可通過(guò)EtherCAT 現(xiàn)場(chǎng)總線以及配套的 EtherCAT 網(wǎng)絡(luò)設(shè)備連接至控制系統(tǒng)。此外，倍福還能提供各種系統(tǒng)集成式機(jī)器視覺(jué)硬件，包括堅(jiān)固耐用的工業(yè)相機(jī)、高性能的工業(yè)級(jí)鏡頭以及光源。傳感器信息被即時(shí)傳輸至基于 PC 的控制器，在那里可以直接處理這些信息，包括運(yùn)用 AI 技術(shù)進(jìn)行深度分析。TwinCAT Machine Learning Server、TwinCAT Vision Neural Networks 和 TwinCAT Neural Network Inference Engine 等集成了 PLC 的執(zhí)行模塊可用于訓(xùn)練好的 AI 模型。它們既能夠充分利用 CPU 的計(jì)算資源，也能夠靈活運(yùn)用 NVIDIA GPU 的算力。AI 執(zhí)行模塊可以加載存儲(chǔ)在開(kāi)放標(biāo)準(zhǔn)“ONNX”中的訓(xùn)練好的 AI 模型。這樣，用戶便可以自由地在任何適合的訓(xùn)練環(huán)境中靈活訓(xùn)練 AI 模型，然后在 TwinCAT 控制器中輕松執(zhí)行這些模型。倍福通過(guò)其 C6043 超緊湊型工業(yè) PC，為用戶提供了集成 NVIDIA 嵌入式 GPU 并符合行業(yè)標(biāo)準(zhǔn)的可擴(kuò)展硬件解決方案，從而使得整個(gè)倍福生態(tài)系統(tǒng)能夠以優(yōu)化的方式將 AI 模型無(wú)縫集成到設(shè)備的控制層中。
2 自動(dòng)創(chuàng)建 AI 模型
倍福秉承開(kāi)放式控制技術(shù)理念，設(shè)計(jì)了現(xiàn)有的 PLC 集成式執(zhí)行模塊，以支持 ONNX 標(biāo)準(zhǔn)，從而實(shí)現(xiàn)了 AI 模型與 AI 訓(xùn)練環(huán)境的無(wú)縫對(duì)接，無(wú)論用戶使用的是何種訓(xùn)練環(huán)境。ONNX 文件將一個(gè)訓(xùn)練好的 AI 模型描述為帶相關(guān)參數(shù)的算子序列。這些描述文件能夠輕松加載到 TwinCAT Machine Learning Server 等 TwinCAT 3 功能組件中，然后由 PLC 執(zhí)行；但是，諸如 PyTorch 或 Scikit-learn 等通常用于訓(xùn)練 AI 模型的機(jī)器學(xué)習(xí)框架主要面向 AI 專家，他們通常會(huì)在 Python 編程環(huán)境中精心準(zhǔn)備訓(xùn)練數(shù)據(jù)，創(chuàng)建 AI 模型架構(gòu)，并深入進(jìn)行模型訓(xùn)練。
訓(xùn)練 AI 模型
倍�，F(xiàn)在通過(guò) TwinCAT Machine Learning Creator，提供了一種更為簡(jiǎn)單的方法，即借助基于 Web 的界面引導(dǎo)用戶輕松完成數(shù)據(jù)上傳、模型訓(xùn)練、模型分析和模型下載等全流程。我們的目標(biāo)群體主要包括自動(dòng)化和過(guò)程控制專家，即使他們不具備數(shù)據(jù)科學(xué)背景，也能通過(guò)我們的平臺(tái)實(shí)現(xiàn) AI 模型訓(xùn)練過(guò)程的標(biāo)準(zhǔn)化。
AI 訓(xùn)練流程的配置保持精簡(jiǎn)，其核心步驟包括創(chuàng)建一個(gè)模型名稱，并將數(shù)據(jù)集（或多個(gè)數(shù)據(jù)集）添加到訓(xùn)練過(guò)程中。除了核心配置之外，所有其它配置均為可選配置，用戶可根據(jù)實(shí)際應(yīng)用需求靈活調(diào)整，以精確控制 AI 模型在 TwinCAT 控制器上的運(yùn)行行為。如果明確了采用倍福的 TwinCAT 硬件平臺(tái)和 TwinCAT 軟件創(chuàng)建 AI 模型，用戶就可以設(shè)定 AI 模型最大可接受的執(zhí)行時(shí)間閾值。我們?cè)趧?chuàng)建 AI 模型的過(guò)程中會(huì)考慮到這些關(guān)鍵信息。如果未明確設(shè)定最大執(zhí)行時(shí)間，系統(tǒng)則會(huì)完全專注于優(yōu)化 AI 模型的性能（泛化能力）。
5 模型分析
AI 模型，尤其是使用 TwinCAT Machine Learning Creator 創(chuàng)建的深度神經(jīng)網(wǎng)絡(luò)（深度學(xué)習(xí)模型），具有良好的泛化特性。這表示模型的預(yù)期性能也非常出色；然而，神經(jīng)網(wǎng)絡(luò)本質(zhì)上是一個(gè)“黑盒子”，其功能性只能通過(guò)專門的分析技術(shù)，而非簡(jiǎn)單直接的方法來(lái)破解。這些方法也被稱為“可解釋性 AI”。
訓(xùn)練好的 AI 模型的分析方法呈現(xiàn)出多元化的特點(diǎn)。軟件會(huì)自動(dòng)將上傳的數(shù)據(jù)集進(jìn)行智能劃分，一部分被指定為訓(xùn)練數(shù)據(jù)，用于訓(xùn)練模型；另一部分則作為測(cè)試數(shù)據(jù)，用于模型分析。測(cè)試數(shù)據(jù)集包含了 AI 模型未曾見(jiàn)過(guò)的實(shí)例數(shù)據(jù)，即未知實(shí)例，但這些實(shí)例已經(jīng)被打標(biāo)。這樣就可以精確地計(jì)算出統(tǒng)計(jì)值，直觀地顯示模型的正確率和錯(cuò)誤率。在模型的每一次執(zhí)行期間，系統(tǒng)還會(huì)計(jì)算出相應(yīng)的置信度值，并以統(tǒng)計(jì)數(shù)據(jù)的形式呈現(xiàn)。在模型每次執(zhí)行過(guò)程中，系統(tǒng)甚至還可以智能地生成一個(gè)顯著圖，該圖疊加在原始輸入圖像上，用以指示在進(jìn)行圖像分類時(shí)需要重點(diǎn)關(guān)注哪些圖像區(qū)域。
分析 AI 模型
6 模型下載
一旦 AI 模型經(jīng)過(guò)訓(xùn)練并達(dá)到集成至設(shè)備控制系統(tǒng)的標(biāo)準(zhǔn)，即可作為 ONNX 文件從平臺(tái)下載。這意味著 AI 模型并不局限于在 TwinCAT 環(huán)境，而是能夠根據(jù)需要在任何平臺(tái)上頻繁部署。此外，完整的 TwinCAT PLC 代碼也可以以 PLCopen XML 格式從平臺(tái)下載，包括圖像獲取、圖像預(yù)處理以及 AI 模型執(zhí)行和后處理的完整流程。訓(xùn)練工具相應(yīng)地?zé)o縫過(guò)渡到 TwinCAT PLC。
從訓(xùn)練平臺(tái)導(dǎo)出 ONNX 文件的另一大優(yōu)勢(shì)在于，它極大地促進(jìn)了 AI 專家的參與。這些專家能夠借助 TwinCAT Machine Learning Creator 快速且標(biāo)準(zhǔn)化地構(gòu)建出高質(zhì)量的初始 AI 模型。然后，用戶可以將 ONNX 格式的結(jié)果導(dǎo)入到各個(gè)專業(yè)工具中繼續(xù)處理，例如對(duì)模型進(jìn)行額外的分析或精細(xì)化調(diào)整。
下載訓(xùn)練好的 AI 模型
7 功能特點(diǎn)和優(yōu)勢(shì)
TwinCAT Machine Learning Creator 具備以下特性：
通過(guò) TwinCAT 中的無(wú)代碼平臺(tái)輕松創(chuàng)建 AI 模型
AI 模型已經(jīng)針對(duì)實(shí)時(shí)應(yīng)用進(jìn)行了延遲調(diào)優(yōu)
充分利用了開(kāi)放的標(biāo)準(zhǔn)、接口以及 AI 的最佳實(shí)踐
提供訓(xùn)練好的 ONNX 格式的最終模型
在整個(gè) AI 模型的開(kāi)發(fā)、測(cè)試和驗(yàn)證過(guò)程中提供高透明度
支持企業(yè)內(nèi)部的 AI 模型標(biāo)準(zhǔn)化工作，推動(dòng)模型的進(jìn)一步開(kāi)發(fā)
特別適合用于基于圖像處理的質(zhì)檢領(lǐng)域
自動(dòng)化的 AI 模型創(chuàng)建將帶來(lái)以下應(yīng)用優(yōu)勢(shì)：
幫助所有企業(yè)釋放 AI 潛力
包括小微企業(yè)在內(nèi)的所有企業(yè)都可以利用 AI 技術(shù)提高競(jìng)爭(zhēng)優(yōu)勢(shì)
