工业互联网、云计算、大数据、人工智能等新一代技术的发展，正深刻改变着传统制造业的发展模式，将引发生产方式、商业模式乃至产业形态的变革。人工智能和工业互联网技术将会加速智能制造的转型。通过将人工智能技术应用到工业企业日常的生产经营中，可以提升工厂的智能化水平，进一步降本提效。
supOS工业操作系统是工业大数据、人工智能、信息安全集成的融合平台，内置可扩展的视频智能识别模块，集成了先进的图像预处理、滤波、目标特征检测、背景提取、机器学习、深度学习等技术，可对工业现场的物体状态进行智能识别，整体技术架构如下：supOS内置的机器视觉算法融合传统图像处理技术与前沿人工智能技术，对图像中人、车、文字、工件及其他物体进行视觉分析，提取关键特征，定位并识别特定目标。
视觉算法在分析图像时的常规技术流程如下：
1、图像质量分析。首先对图像质量进行分析，并按需采用一些图像处理技术提升图像质量，如自动白平衡、对比度增强、直方图均衡化等。
2、应用传统图像处理手段。根据算法目标对图像进行处理，例如在颗粒分析中，对图像进行二值化处理，突出颗粒的边界，以便后续的分割处理。
3、应用人工智能技术。首先需要采集大量的样本数据进行标注，使用这些标注的样本来训练深度神经网络，驱使神经网络的参数拟合一个高维的数据分布，来预测图像中目标的位置、类别等信息。这个数据分布与样本目标在真实世界中的分布非常接近，样本数据越多，神经网络拟合的分布和真实分布越接近。卷积网络在本质上是一种从输入到输出的映射，它能够学习大量的输入与输出之间的映射关系，而不需要任何输入和输出之间的精确的数学表达式，只要用已知的模式对卷积网络加以训练，网络就具有输入与输出之间的映射能力。神经网络在训练的过程中需要根据不同的要求设置损失函数，衡量预测结果与真实结果之间的距离。训练卷积神经网络的过程就是不断最小化这个损失函数的过程。通过反向传播，神经网络不断更新自身的参数，最终能够准确地预测出目标。
工业领域应用的比较多的视觉深度学习算法有：
1）目标检测
目标检测类算法可同时预测待检测目标的位置与类别，采用一个非常深的骨干网络来提取图像的高维特征，然后通过采样分析不同尺度的目标的特征，从而同时定位到小目标和大目标。经过深度神经网络的计算，图像被划分为多个高维特征，每个特征对应原图上的一个区域，神经网络对每个区域的类别打分，通过设置阈值的方式来根据分数判断对应图像区域的类别。目标检测算法的实际应用场景很广，例如安全帽检测、禁入区检测、人脸检测等都属于目标检测算法。同时也可以在基础目标检测算法之上叠加更多的算法处理和业务逻辑。
2）人体关键点
人体关键点算法应用深度神经网络提取高维特征，特征主要由骨干网络提取，之后叠加预测层，预测人体关节点的热度图，也就是概率图。通过对大量标注数据的学习，神经网络能够准确地预测出运动中人物的关节点，便于对人物动作进行进一步的分类预测。
4、业务逻辑分析。算法预测得到目标的信息，如目标位置、目标形状、目标颜色、目标类别等信息后，进一步对这些信息进行分类处理，结合场景需求进行业务逻辑分析，并将最终的结果作为输出数据，进行报警、统计、展示等上层业务处理。而禁入区算法，需要将检测到的目标的位置与禁入区区域范围进行比较，判断其是否闯入了禁入区。
工业企业都在进行数字化转型，但大部分企业在安全巡检和产品质量检验方面还面临较大的挑战，如厂区安全方面还要依靠人工监督，产品外观检验也依赖人工检验，没有稳定的成本和人员来保持检测质量一致性。supOS AI平台通过图像视频实时处理技术，实现对工业现场的安全生产预警、人员穿戴识别、作业规范监督、产品质量检验等场景化工业应用，从而降低工厂人员的劳动强度，提升工作效率，保障安全作业，使原来的被动监控向主动预警转变。
supOS AI平台应用于安全巡检，当前已经在海螺水泥、桐庐红狮、中化南京化工、九江心连心等石化化工、建材水泥行业客户中实现了应用，具体场景如下：
1) 安全帽检测
通过安防摄像头获取实时视频流并进行分析，使用深度学习技术识别画面中的人员是否佩戴安全帽。当检测到有人未戴安全帽，将发出报警信号。
场景要求：选择合适距离的摄像头，需保证距离目标小于20米，拍摄区域内人员清晰可见，且不会被复杂的场景遮挡。
2) 禁入区检测
通过安防摄像头获取实时视频流并进行分析，使用深度学习技术定位画面中的人员，并判断该人员是否进入了预先设置的禁入区。当检测到有人闯入禁入区，将发出报警信号。
场景要求：选择合适的摄像头，距离目标20米以内即可。
3) 三人并排骑车检测
通过安防摄像头获取实时视频流并进行分析，使用深度学习技术定位画面中的骑行人员，并判断骑行人员附近是否存在并排的其他骑行人员。当检测到存在三人及三人以上人员并排骑行时，将发出报警信号。
4) 单手骑车检测
通过安防摄像头获取实时视频流并进行分析，使用深度学习技术定位画面中的骑行人员，并判断骑行人员是否单手骑车。当检测到存在单手骑车情况时，将发出报警信号。
5) 皮带跑偏检测
通过安防摄像头获取实时视频流并进行分析，使用深度学习技术识别画面中的皮带是否跑偏。当检测到皮带发生跑偏现象时，将发出报警信号。
6) 上下楼梯扶扶手检测
通过安防摄像头获取实时视频流并进行分析，使用深度学习技术识别画面中的人员身体各部分的关键点。当检测到上下楼梯没有扶扶手时，将发出报警信号。
7) 车辆逆行检测
通过安防摄像头获取实时视频流并进行分析，使用深度学习技术定位和识别画面中的逆行车辆。
8) 下料口堵料检测
在工厂中很多原材料的下料口存在堵料的情况，一旦发生堵料情况整个下游生产线都会受到影响。目前大多数工厂采用人工检测的方式对重点下料口进行实时检测，这种方式不仅人工成本高，而且无法做到24小时监控，即使发现堵料也无法做到及时反馈到执行机构。对生产线容易造成直接经济损失。
运用光流法实时计算运动中的物料光流长度，当光流长度小于设定的堵料阀值时，判定为堵料工况。
supOS应用于产品外观检测、设备数据读取、检验单电子化，当前已经在安庆一枝梅等日化、装备制造行业客户中应用，具体场景如下：
1) 灌装产品外观检测
在洗衣液、洗洁精车间的瓶体编码打印（喷涂）设备附近部署专用检测设备，对传送带上的瓶体编码打印（喷涂）位置进行拍照，通过supOS机器视觉识别算法对拍摄的照片进行识别分析，判断编码打印（喷涂）是否完成，如有漏打漏喷的现象，则系统立即报警或提醒。
在液体洗洁精车间喷码线机器识别装置上安装气动杆，当识别出瓶子未喷码时对瓶子（含未喷码部位）拍照，同时启动气动杆将未喷码的瓶子推掉。
对喷码检测结果数据进行记录，并在supOS平台存储，对数据记录进行分析，可视化展示日周月的未喷码数量和占比，可选择时段查询。
2) 模拟仪表自动读数检测
在智能工厂中，模拟仪表因其高可靠性、防尘、防水、防冻能力以及抗电磁干扰能力仍然被大量使用。但是模拟仪表不具备数字仪表的数据通讯能力，目前工厂普遍采用人工值守方式监测模拟仪表，但是这种方式效率低、人工成本高。
利用霍夫圆检测算法，检测出预处理模拟仪表图片中的圆形仪表轮廓以及圆心。利用概率霍夫直线检测算法，检测出指针分布关键点。通过仪表轮廓圆心以及指针关键点进行直线拟合，并根据关键点分布确定指针指向。
通过霍夫圆心建立坐标系，由余弦定理算出指针偏转角度。通过初始配置模拟仪表计量范围换算出实际指针指向的刻度。
3) 纸质检验单电子化
在检测检验工作中，原始记录是未经整理的第一手材料，是客观反映检测过程和结果信息的最直接的记载，所以各个公司都比较重视原始记录的整理、归档和保管。传统的原始记录一般采用手工书写，报告也通过手工输入生成。由于日常检测工作十分繁忙，原始记录的数量也相对庞大，大量时间消耗到原始记录的书写、校核、整理工作上，而且手工书写、计算，产生差错的可能性较大。
而基于CTPN+CRNN的光学字符识别技术（OCR），可对化验单纸质单据中的数据、图像、二维码等进行识别，并将里面的字符信息提取出来，并保存成可编辑的文字。该方案通过人工版面分析将表单分成不同的区块，并配置识别模板，针对不同的表单调用相应的识别模板，OCR引擎根据配置的属性参数分别对各个区块进行针对性识别，从而准确地将化验单中的信息提取出来，实现大量化验单的快速智能电子化。
当前人工智能技术在工业领域的应用逐步进入深水区，将会进一步加速企业的数智化转型。未来我们将努力使人工智能技术和工业互联网平台技术深度融合，让制造业更智能，使70%以上的工控场景受益，充分发挥supOS+AI的联合优势，赋能工业企业，共同探索人工智能技术在工业领域的标准！
