數字化工業，是指用計算機技術將產品原型、生產流程、管理方式和質量監控等數字化，形成一種“虛擬”的生產技術和標準。
數字化是現代化工業發展的必經階段，而數字化程度也是衡量當代以及未來工業發展水平高低的重要指標。在“中國製造2025”規劃發佈後，智能製造被越來越多企業提上了議程，從自動化到工業互聯網，從數字系統到人工智能。但實際上，實現智能製造，第一步但也是最關鍵的一步卻是數字化本身，因為沒有數字化，後面的所有涉及智能製造本身的元素，包括計算、分析和設計等都無從談起。
AUTODESK公司“未來製造”數字化流程[1]
數字化工業的第一步是將產品原型數字化，採用三維（3D）造型軟件在計算機上繪製產品的三維實體，併為後續的生產和加工奠定基礎。這其實是工業設計端在上世紀末發生的一次很重要的技術變革，因為該技術的突破直接改變了以往工程師只能依靠二維圖紙進行產品設計的流程，極大地提高了產品設計的準確性和效率。從產品三維原型、組裝設計到生產，整個工藝流程在現階段都可以通過數字化工廠或所謂的“智能”工廠技術來實現，但是在這個過程中我們卻缺失了兩個關鍵的數字化環節，即數字化工藝設計和數字化質量監控，而這兩個過程的發展和標準化也決定了數字化工業本身發展的層次。針對這兩個數字化環節，我們將分兩期文章進行重點討論，在本文，我們將圍繞數字化質量監控進行深入探討。
質量監控的方式
汽車行業為例，當一個零件生產出來之後，我們如何檢測其合格性呢？傳統的方法是抽查，通過相關的檢測手段將其和合格件或某種標準來對比。
但是一般來講，汽車結構件都是金屬件，我們無法直接觀察到產品內部，那麼我們又是如何實現對其質量的監控呢？
對大多數的廠家來說，一般有兩種方法可實現這個目的。一種方法是將抽查件用機械的方式切開，在核心或我們關注的區域直接觀察，判斷是否存在“致命”缺陷。另一種則是採用X射線儀，給產品做一個透視（類似於我們醫療裡面的胸透），然後在二維影像上觀察有沒有超標缺陷。
從技術本身的專業性和有效性來看，顯然第二種方法更好，因為這種方法對產品本身是無損的，而且這種方法可以在很大程度上擴展我們可以觀察到的產品區域範圍。但是X射線影像技術本身也是有缺陷的，該技術最大的問題在於提供的影像照片只是實際產品三維結構的一個二維投影，大量的三維幾何信息其實是缺失的。實際上，真正可以將產品三維信息還原的是計算機斷層掃描技術，也就是我們俗稱的CT。
發動機缸蓋快速CT掃描缺陷檢測（GE SpeedScan CT）
與醫療領域CT技術應用的廣泛性相比，在工業上CT技術的應用並不是非常普遍。主要的原因在於工業CT儀器價格高昂，一般的企業相對比較難以承受，但是隨著現代化工業的不斷髮展和對產品質量要求的不斷提高，CT技術將會逐漸在工業中普及，因為在現有技術中幾乎沒有能夠替代CT而完整還原產品三維幾何特徵的技術，一些主要的主機廠如德國大眾，已經著手將產品的CT檢測建立成為一種行業標準，並據此來篩選其供應商。
CT對自動識別缺陷算法的需求
「採用工業CT技術對產品進行掃描後獲得三維幾何特徵」只是數字化質量監控的第一步，要想獲得全面的分析結果，還需要對這個數據進行再加工，也就是對其中我們關注的數據（比如缺陷）進行標定。
比起採用CT掃描和重構幾何實體，後面的分析或標定過程事實上是最耗時的，而這個過程在現階段幾乎都是依靠人力（操作軟件）完成的。比起傳統的X射線影像技術，採用CT掃描獲得的數據量更大，
典型的針對一個產品的數據量為數十Gb到數百Gb，我們可以想象這樣海量的數據如果採用人力去分析和標定的話不僅效率會低，而且很可能會存在檢測錯誤。另外，這只是針對一個產品的數據，如果考慮到將來所有流水線上的產品都需要檢測，那麼採用人力進行如此規模的工作就幾乎是不可實現的。這裡其實就暴露出一個很大的市場需求，那就是有沒有一種算法可以自動地、高效地將這些檢測數據轉換成用戶關心的缺陷分佈數據，並自動對比標準，從而完全自動化地實現產品質量管控和監測？答案顯然是肯定的。
鎂合金AZ91拉伸棒缺陷帶CT表徵，1微米分辨率
一般來說，產品的CT檢測結果是一系列圖片，比如，我們對一個球體進行CT掃描，掃描獲得的每一張照片都是針對這個球體在某一Z座標處的X-Y平面的影像，那麼如果我們將這一系列的照片依據某種算法進行重構的話，就能在電腦中獲得這個球體的數字三維幾何實體。CT掃描的每一張照片都是灰度圖片，圖片中顏色較深（黑）的地方一般對應實際中密度較小的材質，而顏色較淺（白）的位置則對應密度較大的材質。
我們可以通過使用各種圖像處理算法對這一系列照片進行處理，然後獲得我們希望看到的結果。比方說，如果我們尋找的是孔洞缺陷的話，那麼我們就應該在照片中尋找顏色較深的位置，因為空氣的密度比基體密度小。
從這個角度講，我們在設計缺陷識別算法的時候就應該採用最簡單的閾值過濾的方法，也就是設定一個灰度閾值，當圖像上某處的灰度低於這個值的時候，我們就認為那裡是缺陷，對該處進行標定，並對所有圖像重複這一操作，最終我們就能把產品內部的缺陷全部標識出來。以這種邏輯設計缺陷識別算法是一個非常簡單的過程。
但實際上，如果我們把這個算法應用在真正產品的分析過程中的話就會出現非常多的錯誤。
斷口形貌CT表徵分析，10微米分辨率
閾值過濾的明顯問題
第一，我們如何確定這個閾值？
在實際的圖片處理中我們發現，不同的CT掃描儀器獲得的照片“明暗度”不盡相同，也就是說，針對同一產品，有的儀器掃描出來的照片灰度稍亮，有的則稍暗，此時，如果我們算法只是設定了一個明確的、固定的灰度閾值的話，那麼針對這種情況，我們會獲得完全不同的識別結果。實際上，即便是同一個儀器，也會因為機器性能的老化產生質量不同的掃描結果，從這個角度講，其實我們之前設計的算法是完全失效的。
第二，也是更為普遍的一個問題，CT掃描出來的照片不是“完美”的，在實際的照片上會有很多“噪音”，也就是背景暗點或亮點。
那麼如果我們設計的算法只是通過閾值來識別的話就會產生很多的識別誤差，這也是實際需求不能容忍的。從這兩個簡單的分析來看，我們設計算法需要考慮的就遠遠不只一個簡單的閾值了，而是要綜合考慮各種可能的工況“誤差”對結果的影響。
前沿算法技術
適創科技研發團隊設計的「針對工業CT檢測的自動缺陷識別算法」就是考慮各種因素下的一個自適應產品。
這個算法的核心其實包括三步很重要的處理。
軟包鋰鐵電池Crack缺陷標記[2]
第一是對讀入數據的預處理，這主要是綜合考慮各種可能的不良成像（傾斜，噪聲，殘影等）而進行的數據預分析，同時根據預處理後的數據來自動判斷缺陷類型；
第二是對預處理後的數據進行計算，算法會根據缺陷類型選擇最適合的計算模型；
最後一步是對計算結果進行統計分析，並做輸出。
採用這種算法，我們可以以非常高效的方式（2000x2000像素照片，CPU：10^3照片/5分鐘，GPU：10照片/秒）來識別CT結果中包含的缺陷或其他結構，在很大程度上滿足現階段以及未來工業流水線上產品的自動、高效的缺陷識別。而這個產品也是現階段唯一實現了從輔助缺陷識別到自動缺陷識別的一個跨越。
[1] 圖片來源：
https://www.designnews.com/sites/default/files/future-of-making-convergence-infographic-with-title.jpg
[2] 圖片來源：
https://www.lightsource.ca/index.php/news/details/inside_your_battery.html
作者：
郭志鵬
畢業於清華大學（本、博），牛津大學、英國皇家學會研究會員，長期從事數字化工業方面的研究，包括高性能算法、高能X射線檢測、圖像處理以及相關工業領域的材料和核心工藝開發等，立志創造有國際競爭力的自主化CAE軟件，擺脫國際壟斷，提升和振興民族工業水平。
Julie.DL
CTI/EUR-ACE通用工程師，曾就職於法國電力集團巴黎薩克雷研究中心，主要研發方向為智能設計與優化。
