自《中国制造2025》战略发布以来，“推进生产过程智能化，培育新型生产方式”已经成为工业制造厂商们进行智能化升级的必经之路。而如何将技术更高效地融入到工业生产与质检中，加速帮助企业进行智能化转型，湖南大学电气与信息工程学院研究生三年级的张屹峰同学带着自己的团队和项目在一次人工智能比赛中写下了属于他们自己的答案。
2019年5月，张屹峰同学参加了由教育部高等学校计算机类教指委、软件工程教指委、大学计算机课程教指委、全国高等学校计算机教育研究会主办，百度、浙江大学、德清校企政多方联合承办的2019中国高校计算机大赛人工智能创意赛，其团队基于百度EasyDL平台打造的卷烟滤棒端面智能化检测系统，大大提升了卷烟滤棒检测的精度与速度。该项目不仅在比赛中获得了优异成绩，并已在江苏大亚滤嘴材料、南通烟滤嘴、常德芙蓉大亚化纤等多家滤棒生产公司的一线生产线上落地测试。
(图：湖南大学“基于EasyDL的空管滤棒端面智能化检测系统”项目)
卷烟滤棒是卷烟成型的重要原材料之一。据国家统计局数据显示，2019年1-7月全国卷烟产量已达1.43万亿支。庞大的卷烟产量对滤棒产量及质量也提出了更高的需求。目前，仍有72%的工厂在采用人工视觉检测的方式对卷烟滤棒进行质检，这不仅导致检测成本高、速度慢、精度低。而且，由于在滤棒生产中，工作人员需要根据不同种类的次品数量去调节生产线设备。而现有的方法仅能对正品与次品进行检测区分，却不能实现次品的分类，这导致各类次品量的统计依旧需要人工进行，耗时又费力。
(图：人工视觉检测滤棒)
正是由于人工检测存在着以上种种弊端和局限性，湖南大学电子与通信工程专业的张屹峰同学想到了将人工智能运用到滤棒检测中。一直对“中国高校计算机大赛-人工智能创意赛”有所关注的张屹峰便怀着“改造升级”滤棒检测方式的想法报名参加了2019年的比赛，在零算法基础也能快速上手的EasyDL平台的帮助下，打造了空管滤棒端面智能化检测系统。
具体来看，首先，张屹峰带领团队标注了超过3000多张滤棒端面图，并通过图像旋转、随机切割等方式将滤棒端面的数据集扩充到一万余张;将数据集经过预处理过后，张屹峰团队通过 EasyDL平台定制化训练得到滤棒缺陷分类网络模型，将其以离线SDK的方式部署在卷烟滤棒生产设备的终端。而此后，随着连接生产设备上的相机，便可通过实时采集生产线上的滤棒端面照片进行实时正次品检测，与此同时，生产线上的工控机也会将分类信号传递给剔除阀门，以此来实现次品的剔除，实现智能化的滤棒缺陷检测。目前该检测方式，一方面能对正次品进行准确区分，正确率达98.79%以上，相比于传统人工检测提升了30%的速度，大大提高了缺陷检测的精度和速度;另一方面，也能对次品进行多重分类，多分类的准确率可达94.32%以上。同时将分类后的结果反馈给生产人员进行生产调节，避免了生产原材料的浪费。
(图：空管滤棒端面缺陷种类示例)
在说起EasyDL平台对项目起到的帮助时，张屹峰同学表示：首先，对于“空管滤棒端面智能化检测”项目本身而言，原本是需要经历编写软件、建立数据库、装配硬件等一系列复杂过程的。而EasyDL平台为他们省去了模型训练的代码编写及实验结果分析的流程。其次，EasyDL平台的AutoDL技术可以自动搜索适合训练数据的网络结构，不仅为其省去了选取网络的工作，而且通过EasyDL平台训练出的模型准确率极高。再次，EasyDL平台支持使用C#调用模型，这使得参赛选手在编写软件时可直接调用训练好的网络模型，十分方便。
在 AI 技术深入各行各业的进程中，简单且易用的“定制化训练及服务平台”对于AI零基础或追求高效率开发的企业及个人开发者而言，可以帮助他们事半功倍地实现AI创意的落地，进而帮助更多企业达到降本增效的目的。据了解，EasyDL是基于百度飞桨——这款由百度自主研发，集深度学习训练和预测框架、模型库、工具组件、服务平台等为一体的开源深度学习平台，而打造出的“定制化训练及服务”平台。它可以让没有算法基础的用户基于自身需求，快速训练专属的定制化AI模型。据近日全球权威咨询机构 IDC 发布的2019年下半年《深度学习框架和平台市场份额》报告显示，在国内机器学习平台市场中，百度系机器学习平台整体份额稳居第一，其中EasyDL 则占据了细分平台市场份额排名的首位。而在此次张屹峰参加的中国高校计算机大赛人工智能创意赛中，EasyDL平台帮助了零算法基础的赋能组选手们快速上手，获得高精度的模型效果，实现真正的创意落地。
“最有成就感的时刻也就是，在生产线上测试到功能和性能指标达到能够投入生产线使用的时刻。在那一刻才感觉到我们真的做到什么，真正实现了学以致用。”张屹峰同学在回顾整个项目时如是说道。而这也正是百度此次“以赛促学”选拔优秀人才的初衷之一。
在产业智能化提档加速的今天，百度在深化自己的技术优势与平台优势的同时，也始终立足于各行业智能化转型中的人才需求，在AI人才培养上持续发力，推动人工智能交叉学科融合，培养“人工智能+X”知识体系下的实践型人才，为各个产业源源不断地培养“生力军”。
