数字化工业，是指用计算机技术将产品原型、生产流程、管理方式和质量监控等数字化，形成一种“虚拟”的生产技术和标准。

数字化是现代化工业发展的必经阶段，而数字化程度也是衡量当代以及未来工业发展水平高低的重要指标。在“中国制造2025”规划发布后，智能制造被越来越多企业提上了议程，从自动化到工业互联网，从数字系统到人工智能。但实际上，实现智能制造，第一步但也是最关键的一步却是数字化本身，因为没有数字化，后面的所有涉及智能制造本身的元素，包括计算、分析和设计等都无从谈起。

数字化工业的第一步是将产品原型数字化，采用三维（3D）造型软件在计算机上绘制产品的三维实体，并为后续的生产和加工奠定基础。这其实是工业设计端在上世纪末发生的一次很重要的技术变革，因为该技术的突破直接改变了以往工程师只能依靠二维图纸进行产品设计的流程，极大地提高了产品设计的准确性和效率。从产品三维原型、组装设计到生产，整个工艺流程在现阶段都可以通过数字化工厂或所谓的“智能”工厂技术来实现，但是在这个过程中我们却缺失了两个关键的数字化环节，即数字化工艺设计和数字化质量监控，而这两个过程的发展和标准化也决定了数字化工业本身发展的层次。针对这两个数字化环节，我们将分两期文章进行重点讨论，在本文，我们将围绕数字化质量监控进行深入探讨。

质量监控的方式

汽车行业为例，当一个零件生产出来之后，我们如何检测其合格性呢？传统的方法是抽查，通过相关的检测手段将其和合格件或某种标准来对比。

但是一般来讲，汽车结构件都是金属件，我们无法直接观察到产品内部，那么我们又是如何实现对其质量的监控呢？

对大多数的厂家来说，一般有两种方法可实现这个目的。一种方法是将抽查件用机械的方式切开，在核心或我们关注的区域直接观察，判断是否存在“致命”缺陷。另一种则是采用X射线仪，给产品做一个透视（类似于我们医疗里面的胸透），然后在二维影像上观察有没有超标缺陷。

从技术本身的专业性和有效性来看，显然第二种方法更好，因为这种方法对产品本身是无损的，而且这种方法可以在很大程度上扩展我们可以观察到的产品区域范围。但是X射线影像技术本身也是有缺陷的，该技术最大的问题在于提供的影像照片只是实际产品三维结构的一个二维投影，大量的三维几何信息其实是缺失的。实际上，真正可以将产品三维信息还原的是计算机断层扫描技术，也就是我们俗称的CT。

与医疗领域CT技术应用的广泛性相比，在工业上CT技术的应用并不是非常普遍。主要的原因在于工业CT仪器价格高昂，一般的企业相对比较难以承受，但是随着现代化工业的不断发展和对产品质量要求的不断提高，CT技术将会逐渐在工业中普及，因为在现有技术中几乎没有能够替代CT而完整还原产品三维几何特征的技术，一些主要的主机厂如德国大众，已经着手将产品的CT检测建立成为一种行业标准，并据此来筛选其供应商。

CT对自动识别缺陷算法的需求

「采用工业CT技术对产品进行扫描后获得三维几何特征」只是数字化质量监控的第一步，要想获得全面的分析结果，还需要对这个数据进行再加工，也就是对其中我们关注的数据（比如缺陷）进行标定。

比起采用CT扫描和重构几何实体，后面的分析或标定过程事实上是最耗时的，而这个过程在现阶段几乎都是依靠人力（操作软件）完成的。比起传统的X射线影像技术，采用CT扫描获得的数据量更大，典型的针对一个产品的数据量为数十Gb到数百Gb，我们可以想象这样海量的数据如果采用人力去分析和标定的话不仅效率会低，而且很可能会存在检测错误。另外，这只是针对一个产品的数据，如果考虑到将来所有流水线上的产品都需要检测，那么采用人力进行如此规模的工作就几乎是不可实现的。

这里其实就暴露出一个很大的市场需求，那就是有没有一种算法可以自动地、高效地将这些检测数据转换成用户关心的缺陷分布数据，并自动对比标准，从而完全自动化地实现产品质量管控和监测？答案显然是肯定的。

一般来说，产品的CT检测结果是一系列图片，比如，我们对一个球体进行CT扫描，扫描获得的每一张照片都是针对这个球体在某一Z坐标处的X-Y平面的影像，那么如果我们将这一系列的照片依据某种算法进行重构的话，就能在电脑中获得这个球体的数字三维几何实体。CT扫描的每一张照片都是灰度图片，图片中颜色较深（黑）的地方一般对应实际中密度较小的材质，而颜色较浅（白）的位置则对应密度较大的材质。

我们可以通过使用各种图像处理算法对这一系列照片进行处理，然后获得我们希望看到的结果。比方说，如果我们寻找的是孔洞缺陷的话，那么我们就应该在照片中寻找颜色较深的位置，因为空气的密度比基体密度小。

从这个角度讲，我们在设计缺陷识别算法的时候就应该采用最简单的阈值过滤的方法，也就是设定一个灰度阈值，当图像上某处的灰度低于这个值的时候，我们就认为那里是缺陷，对该处进行标定，并对所有图像重复这一操作，最终我们就能把产品内部的缺陷全部标识出来。以这种逻辑设计缺陷识别算法是一个非常简单的过程。但实际上，如果我们把这个算法应用在真正产品的分析过程中的话就会出现非常多的错误。

阈值过滤的明显问题

第一，我们如何确定这个阈值？

在实际的图片处理中我们发现，不同的CT扫描仪器获得的照片“明暗度”不尽相同，也就是说，针对同一产品，有的仪器扫描出来的照片灰度稍亮，有的则稍暗，此时，如果我们算法只是设定了一个明确的、固定的灰度阈值的话，那么针对这种情况，我们会获得完全不同的识别结果。实际上，即便是同一个仪器，也会因为机器性能的老化产生质量不同的扫描结果，从这个角度讲，其实我们之前设计的算法是完全失效的。

第二，也是更为普遍的一个问题，CT扫描出来的照片不是“完美”的，在实际的照片上会有很多“噪音”，也就是背景暗点或亮点。

那么如果我们设计的算法只是通过阈值来识别的话就会产生很多的识别误差，这也是实际需求不能容忍的。从这两个简单的分析来看，我们设计算法需要考虑的就远远不只一个简单的阈值了，而是要综合考虑各种可能的工况“误差”对结果的影响。

前沿算法技术

适创科技研发团队设计的「针对工业CT检测的自动缺陷识别算法」就是考虑各种因素下的一个自适应产品。

这个算法的核心其实包括三步很重要的处理。

第一是对读入数据的预处理，这主要是综合考虑各种可能的不良成像（倾斜，噪声，残影等）而进行的数据预分析，同时根据预处理后的数据来自动判断缺陷类型；

第二是对预处理后的数据进行计算，算法会根据缺陷类型选择最适合的计算模型；

最后一步是对计算结果进行统计分析，并做输出。

采用这种算法，我们可以以非常高效的方式（2000x2000像素照片，CPU：10^3照片/5分钟，GPU：10照片/秒）来识别CT结果中包含的缺陷或其他结构，在很大程上满足现阶段以及未来工业流水线上产品的自动、高效的缺陷识别。而这个产品也是现阶段唯一实现了从辅助缺陷识别到自动缺陷识别的一个跨越。

[1] 图片来源：

https://www.designnews.com/sites/default/files/future-of-making-convergence-infographic-with-title.jpg

[2] 图片来源：

https://www.lightsource.ca/index.php/news/details/inside_your_battery.html

作者：

郭志鹏

毕业于清华大学（本、博），牛津大学、英国皇家学会研究会员，长期从事数字化工业方面的研究，包括高性能算法、高能X射线检测、图像处理以及相关工业领域的材料和核心工艺开发等，立志创造有国际竞争力的自主化CAE软件，摆脱国际垄断，提升和振兴民族工业水平。

Julie.DL

CTI/EUR-ACE通用工程师，曾就职于法国电力集团巴黎萨克雷研究中心，主要研发方向为智能设计与优化。