背景
工业检查（用于产品缺陷检测）是现代制造业的重要组成部分。随着人工智能，计算机视觉和大数据技术的发展，我们可以建立先进的工业检测系统以实现和人类水平媲美的准确性，并具有更高的效率和更低的成本。在本文中，我们将分享我们在美的/ KUKA，使用英特尔Analytics Zoo（一个基于Apache Spark、TensorFlow和BigDL的开源数据分析+ AI平台），来建立基于深度学习的工业检测平台的经验。
基于Analytics Zoo的端到端的解决方案
为了便于构建和生成大数据的深度学习应用程序，Analytics Zoo（https://github.com/intel-analytics/analytics-zoo）提供了统一的数据分析+ AI平台，可将Spark，TensorFlow和BigDL程序无缝集成到一个统一的数据分析流水线中；然后，整个流水线可以透明地扩展到（运行在标准的Intel至强服务器上的）Hadoop / Spark集群，以进行分布式训练或推理。
如上图所示，美的/ KUKA的工业检测平台是一个建立在Analytics Zoo之上的端到端数据分析流水线，包括
（1）使用Spark以分布式方式处理从制造流水线获取的大量图像。
（2）使用Tensorflow Object Detection API直接构建对象检测（例如，SSDLite + MobileNet V2）模型
（3）直接使用在第一步中预处理的图像RDD，以分布式方式在Spark集群上训练（或微调）对象检测模型。
（4）直接使用评估图像集的RDD，以分布式方式在Spark集群上评估（或推断）训练模型。
（5）使用Analytics-Zoo中POJO模式的API, 将整个Pipeline部署在低延迟的、在线Web 服务中。
在检测时间期间，具有相机的工业机器人可以自动拍摄产品的照片，并通过HTTP将图像发送到网络服务以检测各种缺陷（例如，缺失标签或螺栓等），如下所示。
Spark，TensorFlow和BigDL的统一集成
如前所述，Analytics Zoo提供了“集成数据分析”的深度学习编程模型，因此用户可以轻松开发端到端的数据分析+ AI流水线（使用Spark，TensorFlow，Keras等），然后透明地运行在大型Hadoop / Spark集群上、使用BigDL和Spark进行分布式训练和推理。此外，用户还可以轻松部署端到端的流水线，以实现低延迟的在线服务（使用Analytics Zoo提供的POJO风格的模型服务API）。
例如，为了以分布式方式处理缺陷检测流水线的训练数据，我们可以使用PySpark将原始图像数据读取到RDD中，然后应用一些变换来解码图像，并提取边界框和类标签，如下所示。
<<<<
train_rdd = sc.parallelize(examples_list)
.map(lambda x: read_image_and_label(x))
.map(lambda image: decode_to_ndarrays(image))
<<<<
返回的RDD（train_rdd）中的每条记录都包含一个NumPy ndarray的列表（即图像，边界框，类和检测到的框的数量），它可以直接用于创建TensorFlow模型，并在Analytics Zoo上进行分布式训练。我们可以通过创建TFDataset（如下所示）来实现这一功能。
<<<<
dataset = TFDataset.from_rdd(train_rdd,
names=["images","bbox","classes","num_detections"],
shapes=[[300,300,3],[None,4], [None], [1)]],
types=[tf.float32, tf.float32, tf.int32, tf.int32],
batch_size=BATCH_SIZE,
hard_code_batch_size=True)
<<<<
在Analytics Zoo中，TFDataset表示一个分布式存储的记录集合，其中每条记录包含一个或多个Tensorflow Tensor对象。然后我们可以直接将这些Tensor作为输入构建Tensorflow模型。例如，我们使用了Tensorflow Object Detection API构建了SSDLite + MobileNet V2模型：
<<<<
# using tensorflow object detection api to construct model
# https://github.com/tensorflow/models/tree/master/research/object_detection
fromobject_detection.buildersimportmodel_builder
images,bbox,classes,num_detections=dataset.tensors
detection_model=model_builder.build(model_config,is_training=True)
resized_images,true_image_shapes=detection_model.preprocess(images)
detection_model.provide_groundtruth(bbox,classes)
prediction_dict = detection_model.predict(resized_images, true_image_shapes)
losses=detection_model.loss(prediction_dict,true_image_shapes)
total_loss=tf.add_n(losses.values())
>>>>
在模型构建之后，我们首先加载预先训练的Tensoflow模型，然后使用Analytics Zoo中的TFOptimizer（如下所示）对模型进行微调训练；最终我们在验证数据集上达到0.97 mAP@0.5。
>>>>
with tf.Session()as sess:
init_from_checkpoint(sess, CHECKPOINT_PATH)
optimizer = TFOptimizer(total_loss, RMSprop(LR), sess)
optimizer.optimize(end_trigger=MaxEpoch(20))
save_to_new_checkpoint(sess, NEW_CHEKCPOINT_PATH)
>>>>
在运行过程中，Analytics-Zoo使用PySpark从磁盘中读取了输入数据并进行预处理，并构造了一个Tensorflow Tensor的RDD。然后，基于BigDL和Spark对Tensorflow模型进行分布式训练（如BigDL技术报告所述）。无需修改代码或手动配置，整个训练流程就可以自动从单个节点扩展到基于Intel至强服务器的大型Hadoop / Spark集群。
模型训练结束后，我们还可以基于与训练流程类似的流水线，使用PySpark，TensorFlow和BigDL在Analytics Zoo上执行大规模的分布式评估/推断。
低延迟的在线服务
如下所示，我们也可以使用Analytics Zoo提供的POJO风格的模型服务API轻松部署推理流水线，以实现低延迟的在线服务（例如，Web服务，Apache Storm，Apache Flink等等）。有关详细信息，请参阅 https://analytics-zoo.github.io/master/#ProgrammingGuide/inference/
<<<<
AbstractInferenceModel model =new AbstractInferenceModel(){};
model.loadTF(modelPath,0,0,false);
List<List<JTensor>> output = model.predict(inputs);
<<<<
结论
Midea / KUKA通过结合人工智能，计算机视觉和大数据技术，在Analytics Zoo（https://github.com/intel-analytics/analytics-zoo）上成功构建了先进的工业检测系统。它使用了工业机器人，相机和英特尔至强服务器等工具对产品的缺陷进行自动检测。尤其是Analytics Zoo提供统一的数据分析+ AI平台，可将Spark，BigDL和TensorFlow程序无缝集成到一个数据分析流水线中，从而可以轻松构建和生产化部署基于大数据的深度学习应用程序（包括分布式训练和推理，以及低延迟在线服务）。您可以参考Github上的示例了解更多详细信息。
