機器學習算法作為OEM的智能決策支持系統，適用於各種制造應用，如預測性維護、產品質量控制改進、機器異常檢測、生產線監控、供應鏈管理等。

通過連接設備和分布式基礎設施，智能工廠和倉庫不斷收集和共享大量數據。用複雜的機器學習算法分析大量數據需要很強的計算能力。本地和集中的雲基礎設施都有能力，但它們在延遲、巨大的帶寬消耗、安全問題等方面都有自己的局限性。一些智能工業應用程序需要低延遲才能實時訪問數據。邊緣機學習是減少延遲和帶寬使用的解決方案。

機器學習在智能工廠的邊緣。

邊緣機器學習是一種利用機器學習或深度學習算法對設備級別或網絡邊緣的本地基礎設施進行數據處理的技術，以減少對雲網絡的依賴。密集型機器學習算法允許在邊緣計算。這有助於產生更多的實時分析，因此現在可以為各個行業提供各種類型的應用程序。

在大多數情況下，機器學習模型是在Tensorflow、Keras、Caffe等框架內編程的。利用這些框架，編程模型在穀歌雲、亞馬遜AWS等高端平台或Microsoftazure等雲平台上進行培訓。基於NXpIMX8M的設備等相關嵌入式平台，一旦被保存並部署在雲平台上，或更多相關的嵌入式平台。

人工智能或機器學習，特別是邊緣機器學習，已成為促進工業4.0發展的重要技術。在智能工廠中，提高產品質量起著非常重要的作用。

機器學習模型在各種制造操作中的應用。

表面檢查：對於電子制造，表面檢查包括焊點檢查、完整性檢查、連接器引腳檢查、外殼檢查等。

紋理檢查：它們的質量體現在不同類型物體的表面紋理上。因此，基於視覺的紋理檢測在決定物體的質量方面起著重要的作用。木材是膠合板制造的原料。木材中的結會削弱木材，增加斷裂的可能性。這個弱點取決於它的大小、位置、數量和條件。基於深度學習的視覺模型可以檢測木材中是否有結節，並測量其大小。

缺陷檢測：產品中有許多基於視覺的算法來檢測缺陷。例如，在藥物制造中，基於視覺的模型可以幫助檢測顏色偏差、膠囊凹痕或孔、不規則形狀或損壞的邊緣或藥丸裂縫等各種缺陷。它能識別生產中的異物線財務管理系統。

隨著半導體技術的進步，這些計算量大的算法可以部署在邊緣平台上。將圖形處理單元、數字信號處理和神經處理單元集成到各種SOC中，實現低功耗、低成本平台的實時性能。

如何保證智能工廠的產品質量?

保持智能工廠產品質量的一些關鍵因素是：

機器的一致操作。

為了保持產品的質量一致，所有機器在最佳狀態下以最高的效率和最短的停機時間運行是很重要的。基於機器學習的預測性維護，采用異常檢測等技術，及早識別機器故障，及時維護。根據其異常行為，監測各種物理參數，即振動、噪聲、溫度、功耗等。

對於制造商來說，預測性維護改變了遊戲規則。它可以幫助他們為智能制造做出數據驅動的決策。借助各種低成本、低功耗的MCU，這可以在工廠部署成本效益。將所有原始數據發送到雲中用於機器學習用例是不現實的。邊緣設備的處理能力非常重要。

過程質量控制。

在傳統的制造過程中，人工負責視覺檢查和質量控制。產品質量可能不准確。這將導致產品缺陷、缺乏合規性和收入損失。智能工廠采用基於視覺的深度學習模式來克服這一問題。

基於視覺的深度學習模型如下：

圖像分類:識別圖像中物體的存在，即木材、藥物、水果/蔬菜等。

對象定位：確定邊界框，以確定圖像中對象的確切位置。

語義分割:將圖像的每個像素連接到特定的類標簽。

實例分割：它與語義分割非常相似，但它處理同一類別的多個對象。

機器學習模型准備改變制造業，利用圖像分類監控在線機器的磨損，檢查產品和成品的質量。